The decade of innovation: from benchmarking to execution
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
Purpose This article aims to highlight the results of a Global Innovation Survey from 407 organizations representing 33 countries. This was the third of three surveys conducted by the researchers since 2011. Ten key insights were formulated to gauge the progress of innovation in organizations as well as the practice and success of nine innovation methods (data analytics, design thinking, innovation metrics, etc.) used to support innovation execution. Design/methodology/approach The survey data was bifurcated into two groups, high and low innovators, by analyzing their innovation scores using a K-means cluster analysis. This was followed by correlational analysis with the innovation practices by these groups. Qualitative survey data was also collected and used to interpret the results. Findings Overall innovation scores have improved over the decade. Organizations are still struggling with process drivers such as idea management and innovation measures. High innovators are pervasively using innovative methods to advance innovation execution much more than low innovators. The two methods that showed the highest correlation to an innovative culture were design thinking and open innovation. Originality/value Comparing the Global Innovation Survey to two other surveys, 2011 Canadian Executives ( n = 605) and 2013 US Fortune 1000 ( n = 1,203) that use the same innovation measurement scale, provides a unique longitudinal perspective. The nine innovation methods investigated in the Global Innovation Survey provide original insight into how high and low innovative organizations are using methods to advance innovation execution.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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