MétaCan
Menu
Retour à la cohorte
Enregistrement W2765244378 · doi:10.5465/annals.2016.0049

Opportunity, Motivation, and Ability to Learn from Failures and Errors: Review, Synthesis, and Ways to Move Forward

2017· article· en· W2765244378 sur OpenAlexaff
Kristina Dahlin, You‐Ta Chuang, Thomas J. Roulet

Notice bibliographique

RevueAcademy of Management Annals · 2017
Typearticle
Langueen
DomaineHealth Professions
ThématiqueOccupational Health and Safety Research
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésSpurious relationshipPunitive damagesProduct (mathematics)Near missScale (ratio)Outcome (game theory)PsychologyComputer scienceRisk analysis (engineering)BusinessEngineeringPolitical scienceEconomicsMachine learning

Résumé

récupéré en direct d'OpenAlex

Although organizations and individuals tend to focus on learning from success, research has shown that failure can yield crucial insights in various contexts that range from small mistakes and errors, product recalls, accidents, and medical errors to large-scale disasters. This review of the literature identifies three mechanisms—opportunity, motivation, and ability—through which individuals, groups, and organizations learn from failure, and it bridges the gaps between different levels of analysis. Opportunity to learn from failure mostly takes the shape of more information about errors and failures that are generated by one’s own and others’ prior failures or near-failures. Motivation to learn from failure is hindered by punitive leaders and organizations. Finally, the ability to learn from failure partly relies on inherent attitudes and characteristics, but can be further developed through thoughtful analysis and transfers of successful routines. Our review leads us to distinguish between erroneous versus correct processes and adverse versus successful outcomes to better understand the full gamut of events that are faced by organizations. We identify the existence of noisy learning environment, where spurious successes (when erroneous processes still lead to successful outcomes) and spurious failures (when correct processes are combined with adverse outcomes) lower the opportunity to learn. Considering noisy learning situations is helpful when understanding the differences between slow- and fast-learning environments. We conclude our review by identifying a number of unexplored areas we hope scholars will address to better our understanding of failure learning.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,030
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,044

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,030
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0040,003
Bibliométrie0,0090,009
Études des sciences et des technologies0,0010,002
Communication savante0,0050,006
Science ouverte0,0020,002
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,256
Tête enseignante GPT0,495
Écart entre enseignants0,239 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations292
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademy of Management AnnalsMême sujetOccupational Health and Safety ResearchTravaux en français237 207