MétaCan
Menu
Retour à la cohorte
Enregistrement W4321787789 · doi:10.1108/jkm-04-2022-0277

Knowledge assets, innovation ambidexterity and firm performance in knowledge-intensive companies

2023· article· en· W4321787789 sur OpenAlexaff
Kaveh Asiaei, Nick Bontis, Mohammad Reza Askari, Mehdi Yaghoubi, Omid Barani

Notice bibliographique

RevueJournal of Knowledge Management · 2023
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInnovation and Knowledge Management
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésAmbidexterityKnowledge managementBusinessOrchestrationMediationOriginalityResource (disambiguation)Value (mathematics)Structural equation modelingIndustrial organizationComputer sciencePsychology

Résumé

récupéré en direct d'OpenAlex

Purpose This study aims to build upon resource orchestration theory to theorize and empirically test a model that demonstrates how knowledge assets and innovation ambidexterity trigger a synergy in favor of firm performance. Design/methodology/approach Drawing on a survey of 158 Iranian knowledge-intensive companies, this study uses the partial least squares based on structural equation modeling to test the research hypotheses. Findings The results show that two elements of knowledge assets, namely, structural and relational capital, indirectly affect firm performance through the full mediation of innovation ambidexterity. The findings indicate that human capital has no relationship with both innovation ambidexterity and firm performance. Practical implications This study offers fresh insights into the issue of how organizations can create value from an effective orchestration of various strategic resources and capabilities, including knowledge assets and innovation ambidexterity. Originality/value This study applies resource orchestration theory to concurrently the areas of knowledge resources and organizational ambidexterity to show how innovation ambidexterity plays a role in translating three various knowledge assets into performance.

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)0,002
score de la tête « metaresearch » (Gemma)0,009
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 enseignants0,002
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0000,002
Intégrité de la recherche0,0000,000
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 Opus0,041
Tête enseignante GPT0,284
Écart entre enseignants0,244 · 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

Citations35
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Knowledge ManagementMême sujetInnovation and Knowledge ManagementTravaux en français237 207