A Knowledge Management IT Tool: An Investigation within a Marketing Introductory Course
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
Aim/Purpose: The purpose of this study is to shed light on how students learn within an environment tailored to knowledge creation. Background: We build on Nonaka, Toyama, and Konno’s three key elements: SECI model, Ba, Leadership as well as current knowledge management researchers critiques and improvements. Methodology: Based on an introductory marketing course, we used an in-house web based learning tool (peer-to peer) to capture score performances and perception surveys. The analysis was conducted through an exploratory factor analysis (EFA). Contribution: This study shed light on current knowledge management critiques by providing measures at the micro-level and community level. Findings: Perceptions of adaptability and usefulness change positively over time, while students’ repeated practice prepares them for different styles of questions as their performances increases over time. Recommendations for Practitioners: Organizations can understand how employees create knowledge through exchange of ideas, feedback, and common goals. Supervisor can understand their employees better and employees can gain a sense of control on their work. Recommendation for Researchers: The ability to capture information over time on the human and community level within a system allows further research to shed light on different variables of knowledge creation in the field. Impact on Society : An appreciation of the mechanism of knowledge creation can encourage organization to become more innovative and focus on people rather than material. Future Research: Measures such as the engagement level, the personality level, and compatibility level within a community to create knowledge are to be explored.
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 | 0,011 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| 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 découle