THE ROLE OF LEADERSHIP IN TACIT KNOWLEDGE TRANSFER IN THE NIGERIAN OIL AND GAS INDUSTRY.
Notice bibliographique
Résumé
The oil and gas industries are knowledge driven industry. The technology deployed in deep water exploration and production involve knowledge-intensive process by highly technical personnel. The problem was that the leadership of the oil and gas industries have not necessitated early recovery of tacit knowledge transfer from experts to employees managing the plant operations. The purpose of this qualitative multiple case study was to gain an understanding of how oil and gas industry leaders in Nigeria facilitate the transfer of tacit knowledge from experts to employees managing the plant after exploration activities. The conceptual framework was the socialization, externalization, combination, and internalization model developed by Nonaka and Takeuchi and Burns’ transformational leadership theory. A qualitative multiple case study design was used by adopting multiple sources of information including semi-structured interviews, field notes, and review of organizational documents. The unit of analysis was leaders in an oil and gas services organization. The data analysis processes involved coding of the data, categorizing the coded data, and subsequently generating themes in line with the research question using NVivo Version 12 software. Findings indicated that leaders facilitated the transfer of tacit knowledge through the creation of a safe working environment and demonstration of care for the employees. The opportunity to facilitate the transfer of tacit knowledge from expert to employees managing operations after exploration enhance the organization’s stability and promotes healthy communities. Keywords– Knowledge-Transfer, Leadership Style, Oil and Gas Industry
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».