MétaCan
Menu
Retour à la cohorte
Enregistrement W2482259033 · doi:10.4018/978-1-59140-556-6.ch005

Classification of Communities of Practice

2006· book-chapter· en· W2482259033 sur OpenAlex
Norm Archer

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueIGI Global eBooks · 2006
Typebook-chapter
Langueen
DomaineBusiness, Management and Accounting
ThématiqueOrganizational Learning and Leadership
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésCraftTacit knowledgeAsset (computer security)Knowledge managementOrder (exchange)Community of practiceCompetitive advantagePublic relationsBusinessWork (physics)Political scienceMarketingEngineeringSociologyComputer scienceGeographySocial science

Résumé

récupéré en direct d'OpenAlex

Communities of practice have been in existence since the days when individual craftsmen got together to share ideas and issues. Eventually, these developed into craft guilds and finally into professional associations. But more specifically, focused communities of practice have recently begun to attract a great deal of attention in the business community because they provide a way for strategically growing and managing knowledge as an asset (Grant, 1996; Nonaka & Takeuchi, 1995; Powell, 1998). The increasing complexity in products, services, and processes requires more specialization and collaboration between workers. However, orchestrating the involvement of disparate groups that work on complex projects requires finding a balance between differentiation, when teams work separately, and integration, when groups meet to exchange knowledge. For example, development projects usually benefit when expertise is drawn from diverse sources, including potential users, where the interests, skills, and formal and tacit knowledge of the different groups can be drawn together by skillful project managers (Garrety, Robertson & Badham, 2004). By responding to new economic pressures for rapid transformation, communities of practice can help improve knowledge exchange in critical areas, so organizations can maintain or improve their competitive positions. The growth of interest in communities of practice has resulted in their spread into several classifications of modern organizations, all of which must share knowledge and learning to thrive. How effectively communities of practice perform in these different environments is of great interest, and, in order to study them in detail, we suggest classifying them according to the structure of the organizations they serve. We have been able to identity four such classifications: internal communities of practice, communities of practice in network organizations, formal networks of practice, and self-organizing networks of practice. Among these four classifications are characteristics of particular interest, especially when successful practices exhibited in one classification can be replicated in others. This article outlines the characteristics of each classification, explores their differences and similarities, and summarizes the findings from a review of the literature. The objective of this article is to encourage the migration of successful ideas for knowledge transfer and learning among the different classifications.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,958
Score d'incertitude au seuil0,735

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,244
Écart entre enseignants0,207 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle