Click here to agree: Managing intellectual property when crowdsourcing solutions
Notice bibliographique
Résumé
Tapping into the creativity of a crowd can provide a highly efficient and effective means of acquiring ideas, work, and content to solve problems. But crowdsourcing solutions can also come with risks, including the legal risks associated with intellectual property. Therefore, we raise and address a two-part question: Why—and how—should organizations deal with intellectual property issues when engaging in the crowdsourcing of solutions? The answers lie in understanding the approaches for acquiring sufficient intellectual property from a crowd and limiting the risks of using that intellectual property. Herein, we discuss the hazards of not considering these legal issues and explain how managers can use appropriate terms and conditions to balance and mitigate the risks associated with soliciting solutions from a crowd. Based on differences in how organizations acquire intellectual property and limit associated risks, we identify and illustrate with examples four approaches for managing intellectual property (passive, possessive, persuasive, and prudent) when crowdsourcing solutions. We conclude with recommendations for how organizations should use and tailor the approaches in our framework to source intellectual property from a crowd.
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 | 0,013 | 0,083 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,011 | 0,005 |
| Communication savante | 0,012 | 0,019 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,015 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,231 | 0,074 |
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 ».