Notice bibliographique
Résumé
For knowledge to create value in an organization, whether tacit or explicit, it must have the ability to be shared among employees. This intentional (or in some instances unintentional) flow of knowledge can become the driver for organizational learning. When examining knowledge sharing, it is important to consider the context in which the knowledge is developed, as the community in which the individual is learning can affect any knowledge that is created. Organizational learning is impacted by individuals, groups, and the organization as a whole, and how these three levels are linked by social processes (Crossan, Lane & White, 1999). However, it is very difficult to create the right social environment to produce optimum knowledge sharing and learning. Sharing knowledge is an ‘unnatural act’, and therefore firms must strive to create the right environment and means to assist employees in overcoming knowledge flow barriers (Ruppel & Harrington, 2001). Previous research has identified communities of practice as a hub for sharing knowledge within an organization (Brown & Duguid, 1991; Ellis, 1998; Hildreth & Kimble, 1999). The ability of a community of practice to create a friendly environment for individuals with similar interests and problems to discuss a common subject matter encourages the transfer and creation of new knowledge. Practitioners with similar work experiences tend to be drawn to communities, and from this a common purpose to share knowledge and experience arises (Wenger, 1998). Blackler (1995) argues that the creation and deployment of knowledge is inseparable from activity, and different contexts manifest in the form of knowledge boundaries. A community of practice can help individuals remove this boundary through the creation of a common context that links different experiential knowledge in an environment suited for knowledge exchange.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».