FROM FRONTLINES TO BOARDROOMS: LESSONS IN LEADERSHIP AND INNOVATION FROM UNDER THE MANGO TREE
Notice bibliographique
Résumé
Abstract The authors (Bartkus, Professor Emerita at the University of Notre Dame; and Block, the George M. Cormie Chair of Management in the Alberta School of Business) write about the applicability of lessons learned in war zones and other extreme environments for today’s business challenges. Dr. Bartkus “founded the Business on the Frontlines Program seeking to harness the dynamism of business in rebuilding societies ravaged by conflict and deep poverty.” Case studies are provided, “from the dusty roads of Uganda to the high‐stakes vaccine distribution efforts of J&J,” during the COVID‐19 pandemic. The authors contend that they “uncover a universal truth about leadership: the most powerful innovations often emerge from the most challenging environments. Whether facing armed middlemen or vaccine skepticism, leaders who can adapt frontline strategies to their unique contexts gain a critical edge in our increasingly complex and interconnected world.” The lessons include, in their words, Map the Entire Landscape and Follow the Money, Build Unconventional Partnerships, Fail fast and forward, and Get Your Boots Dirty. They believe that “effective leaders in challenging environments must look beyond traditional partners and stakeholders. This often means overlooking salient differences and digging deeper to understand the motivations and needs of all parties, including potential adversaries.”
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 | 0,010 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,020 |
| Communication savante | 0,018 | 0,014 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».