MétaCan
Menu
Retour à la cohorte
Enregistrement W3191832956 · doi:10.4018/978-1-7998-7422-5.ch013

Strengthening an Organizational Knowledge-Sharing Culture

2021· book-chapter· en· W3191832956 sur OpenAlexaff
Jens Degn-Andersen

Notice bibliographique

RevueAdvances in knowledge acquisition, transfer, and management book series/Advances in knowledge acquisition, transfer and management book series · 2021
Typebook-chapter
Langueen
DomaineSocial Sciences
ThématiqueKnowledge Management and Sharing
Établissements canadiensUbisoft (Canada)
Organismes subventionnairesnon disponible
Mots-clésKnowledge sharingKnowledge managementBusinessLeverage (statistics)Knowledge value chainOrganizational cultureKey (lock)Knowledge economyOrganizational learningPublic relationsComputer sciencePolitical science

Résumé

récupéré en direct d'OpenAlex

To improve knowledge sharing at the video game company Ubisoft, the knowledge management team investigated the key elements comprising a knowledge sharing culture. A knowledge sharing culture circle outlining both enablers and barriers to effective knowledge sharing is constructed. The five enablers—the nature of knowledge, opportunities to share, motivation to share, the culture and work environment, and trust—should be supported to strengthen knowledge sharing. At the same time, the barriers hindering efficient knowledge sharing at Ubisoft—confidentiality, knowledge hoarding, competition, and lack of prioritization—must be addressed to leverage the benefits of shared knowledge. The interconnected nature of both the enablers and the barriers must be taken into account when constructing initiatives intended to strengthen a culture of knowledge sharing. Five initiatives are described: a new content management paradigm, strengthened internal job communities, redefined internal security policies, objectives and key results on knowledge sharing, and targeted training.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,930
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0020,003
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,002
Communication savante0,0010,016
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,010
Tête enseignante GPT0,269
Écart entre enseignants0,258 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreAutre

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

En bref

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in knowledge acquisition, transfer, and management book series/Advances in knowledge acquisition, transfer and management book seriesMême sujetKnowledge Management and SharingTravaux en français237 207