Organizing for innovation: A contingency view on innovative team configuration
Notice bibliographique
Résumé
Abstract Research Summary While innovation has increasingly become a collaborative effort, there is little consensus in research about what types of team configurations might be the most useful for creating breakthrough innovations. Do teams need to include inventors with knowledge breadth for recombination or do they need inventors with knowledge depth for identifying anomalies? Do teams need overlapping knowledge to integrate insights from diverse areas or does this redundancy hamper innovation by creating inefficiencies? In this article, we offer evidence that the answers to these questions may depend on the characteristics of the technologies. Focusing on the degree of modularity and the breadth of application in patent data, we identify empirical patterns suggesting that differing team configurations are associated with different technological domains. Managerial Summary While innovation has increasingly become a collaborative effort, there is little guidance for managers about how you can construct teams to create novel breakthroughs. Who should be on the team? Some have suggested that inventors should have broad knowledge in order to facilitate the recombination of ideas, which is at the heart of creativity. Others suggest that only deep knowledge in an area can lead to novel solutions. How much diversity in backgrounds is useful? Some find that inventors need to have common knowledge in order to integrate their insights. Others worry that this redundancy will lead to inefficiencies that slow down innovation. In this article, we resolve these conflicting recommendations by showing that the team you pick depends on the type of technology.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 tête enseignante, 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 ».