Does Knowledge Management Really Work?
Notice bibliographique
Résumé
Contemporary organizations, including those involved with healthcare, are constantly under pressure to produce and implement new strategies for delivering better products and/or services. Knowledge Management (KM) has been one of the paradigms successfully applied in such business environs. However, a lack of proper application of KM principles and its components have reduced the confidence of new adopters of this paradigm. KM-based healthcare projects are moving forward, and innovation is the driving force behind such initiatives. This chapter sets the scene by outlining the KM’s core elements, facets and how they can be appropriately applied within an innovative, real-time healthcare project. It further enumerates a case study which targets the screening attendance issue for the NHS’ breast screening program. The case study not only discusses the need of a balanced approach to address both the technological and humanistic aspects of KM, but also answers the question “Does knowledge management really work?” A questionnaire-based study was conducted with the General Physicians (GPs) on the KM’s aspects and its relationship to the interventions proposed in the study. The study provided ample proof that a balanced approach will definitely increase the efficacy of such initiatives. Such studies can increase the confidence of future KM adopters in healthcare domain. This chapter provides credibility for such balanced KM-based initiatives and highlights the importance of a focused approach on the various facets of KM to maximize benefits.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,016 |
| Communication savante | 0,014 | 0,018 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,007 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».