Knowledge sabotage as an extreme form of counterproductive knowledge behavior: conceptualization, typology, and empirical demonstration
Notice bibliographique
Résumé
Purpose This paper introduces the concept of knowledge sabotage as an extreme form of counterproductive knowledge behavior, presents its typology, and empirically demonstrates its existence in the contemporary organization. Design/methodology/approach Through the application of the critical incident technique, this study analyzes 177 knowledge sabotage incidents when employees intentionally provided others with wrong knowledge or deliberately concealed critical knowledge while clearly realizing others’ need for this knowledge and others’ ability to apply it to important work-related tasks. Findings Over 40% of employees engaged in knowledge sabotage, and many did so repeatedly. Knowledge saboteurs usually acted against their fellow co-workers, and one-half of all incidents were caused by interpersonal issues resulting from the target’s hostile behavior, failure to provide assistance to others, and poor performance. Knowledge sabotage was often expressed in the form of revenge against a particular individual, who, as a result, may have been reprimanded, humiliated or terminated. Knowledge saboteurs rarely regretted their behavior, which further confirmed the maliciousness of their intentions. Practical implications Even though knowledge saboteurs only rarely acted against their organizations purposely, approximately one-half of all incidents produced negative, unintentional consequences to their organizations, such as time waste, failed or delayed projects, lost clients, unnecessary expenses, hiring costs, products being out-of-stock, understaffing, or poor quality of products or services. Organizations should develop comprehensive knowledge sabotage prevention policies. The best way to reduce knowledge sabotage is to improve inter-personal relationships among employees and to foster a friendly and collaborative environment. Originality/value This is the first well-documented attempt to understand the phenomenon of knowledge sabotage.
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 | 0,008 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,015 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».