Ambiguity acceptance and translation skills in the project management literature
Notice bibliographique
Résumé
Purpose The project management literature provides a fairly united picture of the importance of projects being successful. One success factor is represented by project managers themselves, whose personality, skills, knowledge, competencies, and traits affect project success. To better understand various project manager types, the purpose of this paper is to review the extant project management literature and propose a framework for categorising project managers based on the traits that they possess or lack. Design/methodology/approach The research commenced with identifying and collecting articles from the academic project management literature. The articles were then coded to identify different competencies and traits that a project manager needs to be successful. Based on this analysis, a framework with four main project manager types was developed. Findings The results indicate that ambiguity acceptance and translation skills are two important dimensions that project managers need to be successful. The four project manager types were arranged around two dimensions. Research limitations/implications The framework presented is based on previous research. Empirical testing of the proposed framework would be a promising direction for future research. Practical implications The framework assists reflective practitioners in identifying what kind of project manager they currently are, suggesting how they might transition into a different project manager type to increase their project management success rate. Originality/value This paper conceptualises project managers and how their personal traits relate to project success. It offers practical help to project managers in understanding their strengths and limitations, and how to become a different type of project manager.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 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 ».