Strategic management of technological learning : learning to learn and learning to learn-how-to-learn as drivers of strategic choice and firm performance in global, technology-driven markets
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION The Concept of Decision Under Uncertainty OVERVIEW OF DECISION AND STRATEGY MAKING SCHOOLS The Analytical or Synoptic School of Decision Making The Experiential or Incremental School of Decision Making The Design School of Strategy The School of Strategy The Emergent Learning and Deliberate Planning or Austrian School of Strategy THE CONCEPT OF PARADIGM IN DECISION MAKING The Analytic Paradigm The Cybernetic Paradigm The Cognitive Paradigm THE CONCEPTS OF CULTURE, FEEDBACK, AND LEARNING IN DECISION MAKING AND STRATEGY CRAFTING Culture as a Medium for Learning Feedback as a Tool for Learning Learning: Autonomy and Responsibility STUDY METHODOLOGY Empirical Evidence TRANSPORT MANUFACTURING SECTOR CASE STUDIES Industry Overview Bayerische Motoren Werke AG Daimler-Benz AG Matra Automobile Airbus Industrie PROCESS SECTOR CASE STUDIES Industry Overview Bristol Myers Squibb Miles/Bayer Corp. Compagnie de Saint Gobain SA ELECTRIC POWER GENERATION SECTOR CASE STUDIES Industry Overview Consolidated Edison Duke Power Corporation Rochester Gas and Electric Tennessee Valley Authority Ontario Hydro Electricite de France SYNTHESIS OF THEORETICAL AND EMPIRICAL EVIDENCE Towards an Organizational Architecture of Technological Learning Building Sustainable Competitive Advantage Based on Learning Technology Transfer and Technological Innovation The Meta-Cognitive Paradigm of Decision Making Strategic or Active Incrementalism Empirically Identified Instances of Technological Learning, Meta-Learning and Un-learning in the Organizations Studied CONCLUSIONS AND RECOMMENDATIONS Further Research on Technological Learning APPENDIX REFERENCES
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 découle