Kennismanagement-capabilities van defensie: Leren van het programma SPEER
Notice bibliographique
Résumé
Net als veel andere bedrijven heeft Defensie besloten om een Enterprise Resource Planning (ERP) systeem te implementeren. Het programma SPEER was verantwoordelijk voor de implementatie en belast met de transformatie van de bedrijfsvoering en sanering van de informatievoorziening. Nu SPEER is beeindigd, is het goed om te inventariseren wat de ervaringen van het programma betekenen voor de kennismanagement- capabilities van Defensie. Dit is het vermogen om kennis vanuit diverse bronnen, zoals databases, documenten en mensen, te ontsluiten en te delen zodat Defensie de primaire taken effectief uit kan voeren. We destilleren in dit artikel drie tactieken op het gebied van kennismanagement, die kunnen dienen als lessen voor toekomstige implementatietrajecten. Verder concluderen we dat om lopende uitdagingen te overwinnen een vierde tactiek nodig is, gebaseerd op co-creatie en topdown-gestuurd kennismanagement. Daarnaast pleiten we voor een rol voor de Chief Knowledge Officer, die barrières die de vrije stroom van kennis door de organisatie verhinderen zou moeten kunnen overwinnen.
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 | 0,006 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,013 | 0,017 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,006 |
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 ».