The Role of Cognition and Emotions in Explaining Innovation Process Performance
Notice bibliographique
Résumé
Innovation process performance has been largely understood as resulting from the interaction among strategic, contextual and procedural factors, and a team’s capabilities for decision-making and accomplishing technical tasks under uncertainty. Based on an integrative review of the literature, we propose a theoretical construct for explaining the mediating effects of individual and team’s cognition and emotions on innovation processes performance. We propose understanding innovation as a learning process under risk and uncertainty; where complex, inaccurate and incomplete information becomes available incrementally through selective search. As result, sense-making, and substantive and procedural rationality are effected by cognitive biases, inertia and overload limiting a team’s ability to learn and achieve superior technical results. Our construct explains the role and dynamics among individual and collective cognitive and emotional powers, self-esteem, personal identity, and cognitive load across different milestones and stages common across innovation processes. We propose that, under highly uncertain and fast-pacing environments, technical tasks relying on synthesis capabilities tend to generate higher levels of frustration. Increased frustration tend to increase cognitive overload, thus increasing the frequency of mistakes and diminishing individual’s cognitive load, and affecting a team’s social cognition. We propose that, with appropriate mediating actions, the reinforcing dynamics between cognition and emotions could work both ways in order to positively affect how a team represents the problem at hand, devise and manages the appropriate courses of action (process and methods) for solving it.
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 | 0,002 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 ».