Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".