Opportunity, Motivation, and Ability to Learn from Failures and Errors: Review, Synthesis, and Ways to Move Forward
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.
Notice bibliographique
Résumé
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.
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 | 0,003 | 0,004 |
| 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 | 0,001 |
| 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 découle