Organizational knowledge retention and knowledge loss
Notice bibliographique
Résumé
Purpose This paper aims to examine the effectiveness of organizational information technology (IT)-based and non-IT-based knowledge transfer mechanisms (KTMs) for the retention of different types of knowledge from mobile experts. It differentiates among four types of knowledge loss (KL), namely, conscious knowledge (i.e. individual explicit knowledge that can be codified); codified knowledge (i.e. explicit knowledge captured at the social level); automatic knowledge (i.e. implicit individual knowledge); and collective knowledge (i.e. implicit knowledge embedded in the organization). Design/methodology/approach A research framework connecting the organizational knowledge retention (KR) cycle to KL is developed and an exploratory analysis is conducted using data from two case studies in the Canadian federal public service. Findings are confirmed using a third government agency. Findings Without the right processes in place for organizational knowledge retrieval and reuse, the KR cycle is not complete, leading to KL. The lack of available social KTMs for the conversion of individual to social objectified knowledge leads to KL. KTMs shortcomings increase the risk of automatic and objectified KL. Research limitations/implications Exploratory results demonstrate that KL does not always equate to lack of KR. Implementing knowledge-specific organizational KTMs is important to encourage the retention of individual knowledge at the social level. Propositions and a framework are developed for future research. Practical implications Mobile experts hold valuable knowledge at high risk of being lost by organizations. This paper provides managers with a set of guidelines to develop a knowledge-specific strategy focused on KTMs that increase KR and mitigate KL. Originality/value This paper challenges the assumption that KL only results from poor retention and studies both retention and loss to identify additional types of unintentional loss that occur when individual knowledge is not converted to social knowledge.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,026 | 0,112 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».