Perspectives on Diversity in Knowledge Management Research
Notice bibliographique
Résumé
Novel ideas and innovation have been known to flourish at the intersection of disciplines, industries, cultures, and more. Actively seeking these points of intersection can catalyze novel patterns of thought, fresh interpretations, and radical transformation. Diversity therefore can be considered a core prerequisite for innovation. Diverse ideas support testing of solutions outside the norm, exhibit heightened creativity, logical reasoning, error-detection capabilities and consistently demonstrate superior performance compared to homogenous ones. Despite the benefits of diverse teams heralded in the business world, not enough attention has been paid to a reflective examination of the inclusivity practices within the field of knowledge management itself. Whereas the existing diversity literature has predominantly explored this phenomenon through lenses such as race, gender, and ethnicity, a broader understanding is imperative. Studies within Library and Information Science (LIS) education have aimed to enhance services for diverse clientele and increase diversity among professionals. Similarly, research in STEM fields has shed light on the barriers faced by women scientists throughout their careers. Biases in medical education, such as the use of color-blind illustrations when teaching about skin conditions, have also been scrutinized. Moreover, the COVID-19 pandemic has starkly exposed prejudices in healthcare treatment and knowledge dissemination, emphasizing the urgency to broaden participation and incorporate diverse perspectives. This chapter explores diversity in knowledge management research based on seven attributes including: geographic location of authors, collaboration patterns, frequency of the term diversity in document titles, language of the work, accessibility of journals, departmental affiliation of contributing authors, and composition of the editorial boards of each journal. While this list is not exhaustive, these attributes contribute to the beginnings of a rudimentary diversity checklist for journals in knowledge management research. Our intention is to provoke discussion and further exploration and questioning of the structures, norms, and gatekeepers of the research enterprise.
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 | 0,078 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,015 | 0,014 |
| Études des sciences et des technologies | 0,014 | 0,103 |
| Communication savante | 0,037 | 0,036 |
| Science ouverte | 0,004 | 0,023 |
| Intégrité de la recherche | 0,008 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».