MétaCan
Menu
Retour à la cohorte
Enregistrement W3033513565 · doi:10.1108/ejim-12-2019-0355

Contributory role of dynamic capabilities in the relationship between organizational learning and innovation performance

2020· article· en· W3033513565 sur OpenAlexaff
Mandana Farzaneh, Peivand Ghasemzadeh, Jamal A. Nazari, Gholamhossein Mehralian

Notice bibliographique

RevueEuropean Journal of Innovation Management · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInnovation and Knowledge Management
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésDynamic capabilitiesOriginalityKnowledge managementOrganizational learningBusinessOrganizational performanceValue (mathematics)Boosting (machine learning)Computer scienceMarketingPsychologyArtificial intelligenceCreativity

Résumé

récupéré en direct d'OpenAlex

Purpose The direct impact of organizational learning (OL) on organizational performance has been studied over the past two decades. However, how OL contributes to organizational innovation still remains under-researched. Based on the knowledge-based view of the firm and dynamic capability theory, we developed a theoretical framework in order to empirically examine how OL offers organizations the essential tools for creating dynamic capabilities (DCs), which pave the way for innovation performance (IP). Design/methodology/approach The authors apply a time-lagged, multisource and survey-based research designed to test the proposed model in the pharmaceutical industry where knowledge is a source of innovation. The data collected from companies operating in such an industry were analyzed by utilizing hierarchical regression analysis to explore how OL could lead to IP through DC. Findings The results indicated that OL is positively, significantly associated with DCs, as well as its dimensions of learning, integrating and reconfiguring capabilities. The findings showed that these capabilities are significant predictors of innovation performance. In addition, the findings revealed that innovation culture significantly moderates the relationship between DCs and innovation performance. Originality/value By dedicating more time and resources, managers can reinforce dynamic capabilities as a strategic tool to generate new knowledge and distribute it across the organization, which can go a long way toward boosting innovation performance in the pharmaceutical industry. This study offers researchers and practitioners invaluable insights into how effective OL can enhance firm-level innovation performance through dynamic capabilities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,022
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,022
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,002
Communication savante0,0030,002
Science ouverte0,0000,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,230
Écart entre enseignants0,205 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations89
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Journal of Innovation ManagementMême sujetInnovation and Knowledge ManagementTravaux en français237 207