Notice bibliographique
Résumé
Los antecedentes del modelo de Capital Intelectual para la gestion del conocimiento corporativo de las empresas hay que buscarlos en Suecia, como indico Sveiby (1997), hacia mediados de los anos 80 en torno a la “Comunidad de Practica Sueca”, formada por investigadores y directivos de companias suecas del sector servicios e intensivas en conocimiento, que dio lugar al “Konrad Group” por un lado, con directivos que utilizaban indicadores de gestion del conocimiento no financieros principalmente para sus cuadros de mando y para la presentacion de los activos intangibles, y por otro lado el “Personnel Econocmics Institute”, fundado en el seno de la Universidad de Estocolmo en 1988 para la generacion de practicas alternativas a las vigentes entonces en la Contabilidad de Costes de Recursos Humanos, que se centro bajo el impulso de los profesores Grojer y Johanson (1996), en la generacion de soluciones en las mediciones financieras. Johanson y Nilson (1996) aportaron metodologia para la cuantificacion de recursos humanos en nuevos sistemas de informacion para la direccion y en el estado financiero de perdidas y ganancias, bajo la denominacion de Human Resource Cost Accounting (HRCA). No obstante es significativo que Johansson y Mabon (1998) en el decimo aniversario de la creacion del Instituto manifiestaron su opinion de que el esfuerzo metodologico realizado en el mismo no habia sido incorporado por suficiente numero de companias en sus sistemas de informacion, e indicaron que el futuro de los trabajos podia encontrar un buen apoyo en el Balance Score Card de Norton y Kaplan, que tenian incluidos los aspectos relacionados con la estrategia de los negocios en su modelo, acierto al que sin dudar achacaron la extension rapida de su aplicacion y la buena acogida que tuvo entre companias de significacion indiscutida tanto en Estados Unidos como en Canada y Europa.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».