MétaCan
Menu
Retour à la cohorte
Enregistrement W2506901832 · doi:10.4018/978-1-59140-556-6.ch048

Knowledge Extraction and Sharing in External Communities of Practice

2006· book-chapter· en· W2506901832 sur OpenAlex
Ajumobi Udechukwu, Ken Barker, Reda Alhajj

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
DomaineComputer Science
ThématiqueOpen Source Software Innovations
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésCommunity of practiceBest practiceKnowledge sharingPublic relationsKnowledge managementWork (physics)PoliticsClass (philosophy)Point (geometry)Online communitySociologyComputer scienceBusinessPolitical scienceWorld Wide WebEngineeringPedagogyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Communities of practice (CoPs) may be described as groups whose members regularly engage in sharing and learning, based on common interests (Lesser & Storck, 2001). Traditional communities of practice exist within organizations and are centered on work functions. These CoPs may be self-organizing or corporately sponsored. They exist to encourage learning and interaction, create new knowledge, and identify and share best practices for the organization’s processes (Wenger, 1998). The members of a community of practice may be collocated (within an office) or spatially dispersed (e.g., a group may interact via electronic chat). There may also be communities of practice that are not centered on work functions. For example, several online groups exist for enthusiasts of new technology, politics, environment, and so forth. These groups qualify as bona fide CoPs. We classify the CoPs discussed so far as active communities of practice because the members actively seek to learn and share from each other. In this work, however, we examine passive communities of practice in which the members do not actively interact with each other. This class of CoPs shares the core characteristics of traditional communities of practice—the members can learn from each other, and the organization can gain useful knowledge capital and best practices. Our discussions will be based on user communities using cable-TV viewers as a case in point. In contrast to work-centered CoPs whose members share knowledge and learn how to perform their work tasks better, members of user-centered CoPs learn how to maximize the utility from the product/service of interest. In both cases, a learning organization can extract useful knowledge capital and best practices to improve its processes and products/services. In this work, we use the case of cable-TV viewers to show how useful knowledge can be learned and shared in passive user-centered communities of practice. Our techniques will be based on data mining and knowledge discovery, which are introduced in the subsection that follows.

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 candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,893
Score d'incertitude au seuil1,000

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 ouverte0,0010,001
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 Opus0,031
Tête enseignante GPT0,301
Écart entre enseignants0,270 · 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