Non-Profits and the Use of Social Technologies for Knowledge Management
Notice bibliographique
Résumé
This poster presents key outcomes and emerging findings from ongoing research examining the role of social technologies such as blogs, wikis, and social networks (e.g., Twitter, Facebook, LinkedIn) for creating, sharing, gathering and managing knowledge in non-profit organizations (NPOs). Mixed methods research including qualitative interviews with 16 Canadian NPOs and a national online survey of NPOs have generated a number of key findings on the role of social media as KM tools in the not-for-profit sector. These findings help us understand the implications of global connectedness, as manifested in social media, on the KM practices of these organizations.Cette affiche présente les principaux résultats et conclusions issues d’une recherche en cours qui examine le rôle des technologies sociales comme les blogues, les wikis et les réseaux sociaux (par ex., Twitter, Facebook, LinkedIn) pour la création, le partage, la collecte et la gestion des connaissances dans les organisations à but non lucratif (OSBL). La recherche, effectuée en utilisant un mélange de méthodes, y compris des entretiens qualitatifs avec seize OSBL canadiennes et un sondage national en ligne, a généré un certain nombre de conclusions-clés sur le rôle des médias sociaux comme outils de gestion des connaissances dans le secteur des organisations sans-but-lucratif. Ces conclusions nous permettent de comprendre les implications de l’interconnexion au niveau mondial, telle qu'elle se manifeste dans les médias sociaux, par les pratiques de gestion des connaissances dans ces organisations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,011 |
| Communication savante | 0,017 | 0,012 |
| Science ouverte | 0,001 | 0,010 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».