MétaCan
Menu
Retour à la cohorte
Enregistrement W2518310101 · doi:10.4102/sajim.v18i2.731

Empowering insight: The role of collaboration in the evolution of intelligence practice

2016· article· en· W2518310101 sur OpenAlex

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

RevueSouth African journal of information management · 2016
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCompetitive and Knowledge Intelligence
Établissements canadiensSaskatchewan Research Council (Canada)
Organismes subventionnairesnon disponible
Mots-clésKnowledge managementAKACompetitive intelligenceProcess (computing)Agile software developmentBusinessSociologyComputer science

Résumé

récupéré en direct d'OpenAlex

Background: Though subtle through the years, there has been a perceptible shift in competitive and market intelligence (CMI) practice from that of relying more heavily on sole operators to ones relying on collaboration. It happens within the nature of work performed inside intelligence functions, the larger organisation, and between organisations (i.e., intra-organisational). In this paper, the authors describe the change, develop a three-layered taxonomy for documenting it,and provide examples of how it impacts intelligence practice both now and possibly in the future.Objective: To describe the increasingly evident role of collaboration and collaborative behaviour within insight producing functions in commercial, market-facing organisations. Identify evidence of collaborative intelligence practices in use across a range of different companies, industries, and geographies.Method: The authors used a participant observation approach to developing this research. The discussion and frameworks in this study are based upon the authors’ current roles, experiences and observations in leading a CMI group for a successful provincially based yet globally focused research and technology organisation, and having led interactive workshops and courses for over 100 organisations and approximately 1800 CMI analysts in over a dozen countries.Results: The authors identified an impressive array of collaborative practices for each of the three layers of organisational environments studied. These included ones in (1) intra-process (aka, intelligence cycle) collaboration, (2) intra-organisational collaboration (i.e. within the intelligence and broader organisation) and (3) inter-organisational collaboration (i.e. between discrete organisations). These are illustrated from actual, observed, and ongoing CMI practices and are shared as examples reinforcing our view of the movement away from independent practices and approaches toward purposeful, socialised ones.Conclusion: The evidence we have amassed provides substantial evidence of a notable and beneficial shift from doing intelligence work independently, frequently within silos, towards doing it collaboratively and across multiple types of boundaries. Intelligence practitioners are growing in their capabilities by taking advantage of emerging technologies, adapting practices imported from adjacent fields and benefitting from academic and/or scholarly research that helps push ahead the working boundaries of the field and allows it to make progress. In our view, CMI practice has recently entered a third era of evolution, one in which collaboration will continue to feature prominently, if not centrally.

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)0,001
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: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,867
Score d'incertitude au seuil0,185

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,003
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 Opus0,009
Tête enseignante GPT0,247
Écart entre enseignants0,238 · 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