Specialization as a <scp>double‐edged</scp> sword: The relationship of scientist specialization with R&D productivity and impact following collaborator change
Notice bibliographique
Résumé
Abstract Research Summary Organizational learning studies demonstrate that specialization conditions multiple aspects of firm performance, including productivity and financial returns, through its effect on skill development and coordination. We know little, however, about how specialization may influence a firm's R&D performance, including both R&D productivity and innovation impact. We propose that specialization is a double‐edged sword for R&D performance that can be influenced via changing scientists' collaborators: specialization increases scientist and firm R&D productivity but decreases the impact of innovations, while changing collaborators in a team reverses how specialization relates to productivity and impact. We validate this argument using a long panel (1970–2017) from the biotechnology industry. Specialization and collaborator change may thus serve as mechanisms to manage the trade‐off between productivity and impact in R&D activities. Managerial Summary This article studies how managers in firms may leverage their R&D workers' specialization to optimize their R&D performance. Our study shows that specialization is a double‐edged sword for R&D performance: it facilitates R&D productivity at the detriment of R&D impact, while the trade‐off shifts when collaborators within a scientist's team change. Thus, specialization and collaborator change condition R&D performance, with two implications for strategy. First, a firm's managers can recruit specialists or generalists depending on whether they want to prioritize productivity or impact in R&D activities. Second, job rotation practices that create periodic collaborator change may disrupt R&D productivity, yet invigorate explorative activity and increase the likelihood of impactful innovation.
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 | 0,002 | 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 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 ».