|
段玉聪教授提出知识的定义(概念和语义)-DIKWP-Data
段玉聪
DIKWP人工意识实验室
AGI-AIGC-GPT评测DIKWP(全球)实验室
DIKWP-AC人工意识标准化委员会
世界人工意识大会
世界人工意识协会
(联系邮箱:duanyucong@hotmail.com)
段玉聪教授的知识定义(概念和语义)
知识(DIKWP-Knowledge)概念的语义对应于认知空间中的一个或多个“完整”语义。知识概念的语义是认知主体借助某种假设对DIKWP内容进行语义完整性抽象活动获得的对认知对象DIKWP内容之间语义的理解和解释(也就是形成认知主体对认知交互活动的认知输入DIKWP内容与认知主体已有认知DIKWP内容的语义联系的搭建,并能够在更高阶的认知空间中对应一个或多个承载认知完整意图确认的“完整”语义。)。在处理知识概念时,大脑通过观察和学习抽象出至少一个完整语义对应的概念或模式。例如,通过观察不可能得知所有的天鹅都是白色,但在认知空间中认知主体可以对一些观察结果的部分情形通过假设(赋予完整语义的高阶认知活动)将不能保障完整的观察结果赋予“完整”语义,也即“所有”,进而形成对“天鹅都是白色”这一拥有完整语义“都是”的知识规则对应的知识语义。
知识K为语义网络,其中节点代表概念,边代表概念之间的语义关系:
K=(N, E),其中N表示概念的集合,E表示概念之间的关系集合。
这一定义将知识认知定位为一个更高层次的认知成果,强调了知识的结构化(如语义网络)和对完整语义的捕捉能力,这对于理解复杂系统和抽象概念至关重要。
知识是对DIKWP内容从不理解对应的状态到理解对应的认知状态转化的的基于完整语义的桥接,通过验证强化对知识的确认。知识的构建不仅依赖于数据和信息的积累,更重要的是通过认知过程中的抽象和概括,形成对事物本质和内在联系的所谓理解。知识的存在不仅体现在个体层面,也体现在集体或社会层面,通过文化、教育和传承等方式进行共享和传播。
知识语义是对DIKWP内容进行深度加工和内化后形成的结构化认识(在概念空间内并借助“完整”语义与语义空间对应)。知识在DIKWP框架中的定义,反映了对世界的深入理解和完整语义的把握。这与亚里士多德关于形式原因的概念相呼应,即事物的本质和目的是可以通过理性和经验来探索和理解的。
每个知识规则的形成在DIKWP模型中代表认知主体对事物内在规律和本质的认知把握。从哲学的角度看,知识不仅是认知过程的产物,更是这一过程的目的和指导。知识的形成和应用体现了认知主体对世界的适应和改造,是对现实世界深层次规律的语义空间理解。
知识的概念和语义知识的概念(DIKWP-Knowledge Concept)
在DIKWP模型中,知识的概念对应于认知空间中的一个或多个“完整”语义。知识概念的形成是认知主体通过某种假设,对DIKWP内容进行语义完整性抽象活动,获得对认知对象DIKWP内容之间语义的理解和解释。这种理解和解释在认知主体的认知空间中,能够对应一个或多个承载认知完整确认的“完整”语义。
知识概念不仅是对数据和信息的简单积累,而是通过认知主体在高阶认知活动中,将部分观察结果进行抽象,形成系统性的理解和规则。这种规则或模式能够解释和预测认知对象的行为或特征,提供一种更深层次的理解。
知识的语义(DIKWP-Knowledge Semantics)知识的语义是认知主体借助假设,对DIKWP内容进行语义完整性抽象活动,从而形成对认知对象之间语义联系的理解和解释。知识语义强调认知主体通过高阶认知活动,将部分观察结果赋予“完整”语义,从而形成具有完整性和规则性的知识。
例如,通过观察不可能得知所有的天鹅都是白色,但在认知空间中,认知主体可以对一些观察结果的部分情形通过假设(赋予完整语义的高阶认知活动)将不能保障完整的观察结果赋予“完整”语义,也即“所有”,进而形成对“天鹅都是白色”这一拥有完整语义“都是”的知识规则对应的知识语义。
知识语义的生成过程知识语义的生成过程包括以下几个步骤:
观察和学习:认知主体通过观察和学习,从具体的数据和信息中抽象出模式或概念。
假设形成:通过高阶认知活动,对部分观察结果进行假设,赋予其“完整”语义。例如,通过观察部分白色天鹅,假设“所有天鹅都是白色”。
语义完整性抽象:将观察结果通过假设形成的完整语义进行抽象,形成对认知对象的规则性理解。
语义联系搭建:通过认知主体的认知活动,将新的知识语义与已有的认知内容进行联系,形成系统性的知识结构。
知识验证与修正:对形成的知识进行验证,通过实际的观察和实验检验其有效性,并根据新信息进行修正和完善。
在DIKWP模型中,知识的数学化表示有助于理解其完整性和结构性。知识概念的语义属性集S表示为:
S={f1,f2,…,fn}
其中,fi 表示知识概念的一个语义特征。知识概念集合K包含所有共享完整语义属性集的实例:
K={k∣k 共享 S}
知识的生成过程可以表示为:
K:X→Y
其中,X 表示数据语义、信息语义、知识语义、智慧语义和意图语义的集合或组合(即DIKWP内容语义),而 Y 表示产生的新的知识语义关联。
知识语义的处理和生成知识是对DIKWP内容从不理解到理解的认知状态转化的桥接,通过验证强化对知识的确认。知识的构建不仅依赖于数据和信息的积累,更重要的是通过认知过程中的抽象和概括,形成对事物本质和内在联系的理解。知识的存在不仅体现在个体层面,也体现在集体或社会层面,通过文化、教育和传承等方式进行共享和传播。
知识语义是对DIKWP内容进行深度加工和内化后形成的结构化认识。这种认识在概念空间内,并借助“完整”语义与语义空间对应。知识在DIKWP框架中的定义,反映了对世界的深入理解和完整语义的把握。这与亚里士多德关于形式原因的概念相呼应,即事物的本质和目的是可以通过理性和经验来探索和理解的。
每个知识规则的形成在DIKWP模型中代表认知主体对事物内在规律和本质的认知把握。从哲学的角度看,知识不仅是认知过程的产物,更是这一过程的目的和指导。知识的形成和应用体现了认知主体对世界的适应和改造,是对现实世界深层次规律的语义空间理解。
在知识生成过程中,认知主体通过以下步骤处理和生成知识语义:
模式识别:通过观察和学习识别出数据和信息中的模式。
假设构建:基于识别出的模式,提出假设并赋予其完整语义。
语义整合:将新的假设与已有的知识体系进行整合,形成系统性知识。
验证与修正:通过验证新知识的有效性,不断修正和完善知识体系。
知识的生成和理解是一种主动的构建过程,依赖于已有DIKWP内容和假设驱动的认知框架。知识语义的多样性和深度体现在其完整性和结构性上,知识不仅包含了DIKWP内容的语义完整性,更通过这些完整语义与已有的知识结构产生联系,创造出新的知识。这种动态的认知结构更新过程是认知发展和知识增长的关键。
知识的生成过程不仅是对现有数据和信息的整合,更是通过假设和高阶认知活动,赋予观察结果以完整语义,从而形成系统性理解和规则。这个过程包括以下几方面:
假设验证:通过实验和观察验证假设的正确性和有效性。
知识扩展:根据新观察结果和实验数据,扩展和完善已有的知识体系。
知识传递:通过交流和教育,将知识传递给其他认知主体,形成共享的知识体系。
在DIKWP模型中,知识不仅是对观察和事实的记录,更是通过假设和高阶认知活动形成的系统性理解。知识的语义完整性和系统性反映了认知主体对世界的深刻理解和解释。知识的生成过程强调了认知主体在理解和解释世界时的主动性和创造性,通过假设和抽象,将部分观察结果赋予完整语义,从而形成系统性的知识。
知识语义不仅是DIKWP内容语义的聚合或重组,更是一种新的语义关联的创造,反映了认知主体对世界的主动探索和解释。通过假设和高阶认知活动,知识的生成过程能够揭示现象之间的深层联系和内在逻辑,提供对世界更全面和深刻的理解。
知识语义的动态性知识语义的生成是一个动态的过程,涉及到认知主体如何通过假设和高阶认知活动,将不同的DIKWP内容语义关联起来,形成新的知识语义。在认知空间中,这个过程不仅包括已知DIKWP内容的重新语义组合和转化,还包括通过这种重新组合和转化产生新的认知理解和知识语义。
这种动态性体现在知识的生成和更新过程中,通过不断的观察、学习和验证,认知主体能够形成和完善系统性的知识结构。这种知识结构不仅能够解释现象,还能够预测未来的行为和特征,提供对世界更深刻的理解和指导。
案例1:天文学中的行星运动我们以天文学中的行星运动研究为例,来详细说明知识的概念和语义生成过程。
数据(Data)观测记录包括:
行星的位置(经度和纬度)
行星的轨迹(通过望远镜和摄影设备记录)
时间记录(观测时间和日期)
天体间距离(使用雷达测距等技术)
这些数据是对行星运动的原始观测记录。
信息(Information)通过对数据的处理和解释,获得的信息包括:
行星轨迹图
行星运动的周期性
行星与太阳及其他天体的相对位置变化
这些信息是对数据的处理和解释结果,提供了关于行星运动的初步理解。
知识(Knowledge)知识的生成过程如下:
观察和学习:
研究者通过长期观测和记录,识别出行星的轨迹和运动规律。
假设形成:
基于观测结果,提出行星运动的假设。例如,开普勒提出的“行星运动轨道是椭圆形”的假设。
语义完整性抽象:
将观测结果通过假设赋予“完整”语义,形成系统性的理解。例如,假设“所有行星的轨道都是椭圆形”,并通过进一步观测和计算确认这一假设。
语义联系搭建:
将新的知识与已有的天文学知识联系起来,形成系统性的知识结构。例如,将开普勒定律与牛顿的万有引力定律结合,形成对行星运动的完整理解。
知识验证与修正:
通过不断观测和计算,验证行星运动的假设,并根据新观测结果进行修正和完善。例如,通过对其他行星的观测,确认开普勒定律的普适性。
在这个案例中,知识可以表示为一个语义网络,其中节点代表天文学概念,边代表概念之间的语义关系。例如:
节点 N:
行星轨道(椭圆形)
轨道周期
万有引力
边 E:
行星轨道与轨道周期的关系
轨道周期与万有引力的关系
这种结构化表示方式帮助我们理解行星运动的复杂系统和抽象概念。
案例2:研究鸟类迁徙行为数据(Data)数据是对鸟类迁徙行为的原始观测记录。这些数据包括:
每只鸟的标记编号
迁徙开始和结束时间
迁徙路径(通过GPS记录)
每日飞行距离
气象条件(温度、风速、降水等)
这些数据是原始的观测记录,没有经过处理或解释。
信息(Information)信息是对数据的处理和解释,通过特定意图将数据与已有的认知对象进行语义关联,识别和分类不同的语义。处理数据生成信息的步骤包括:
将每天的迁徙路径绘制成图表
计算每日的平均飞行速度
分析不同气象条件下的飞行距离变化
通过这些处理,我们获得的信息包括:
鸟类每日的平均飞行速度
鸟类在不同气象条件下的迁徙行为模式
鸟类迁徙路径的地理分布
知识是通过对信息的高阶认知活动,借助假设进行语义完整性抽象活动,形成对鸟类迁徙行为的系统性理解和解释。生成知识的步骤包括:
观察和学习:
观察鸟类迁徙路径的图表,学习其基本模式。
学习不同气象条件下鸟类飞行距离的变化。
假设形成:
假设:“鸟类在逆风条件下的迁徙速度较慢。”
假设:“鸟类在迁徙过程中会选择较少降水的路径。”
语义完整性抽象:
将上述假设赋予“完整”语义,通过高阶认知活动进行抽象。例如,假设“所有鸟类在逆风条件下的迁徙速度都较慢”。
语义联系搭建:
将新的知识语义(鸟类迁徙行为模式)与已有的认知内容(气象条件对飞行的影响)进行联系,形成系统性的知识结构。
知识验证与修正:
通过进一步观测和实验,验证假设的正确性和有效性。例如,通过不同时间段和不同气象条件下的迁徙记录,验证逆风条件对迁徙速度的影响。
根据新观察结果和实验数据,修正和完善已有的知识体系。
观察和学习:
研究者通过观测和数据收集,发现不同鸟类在迁徙过程中表现出一定的行为模式。例如,在特定的风速和降水条件下,鸟类的迁徙路径和速度会发生变化。
假设形成:
研究者基于观察结果提出假设。例如,假设“鸟类在逆风条件下的迁徙速度较慢”是基于多次观测到的鸟类在逆风条件下速度减慢的现象。
语义完整性抽象:
研究者通过对部分观察结果进行抽象,将假设赋予“完整”语义,形成系统性的理解。例如,通过对不同鸟类在不同风速条件下的迁徙速度进行分析,抽象出“所有鸟类在逆风条件下的迁徙速度都较慢”的知识。
语义联系搭建:
研究者将新的知识与已有的认知内容联系起来,形成系统性的知识结构。例如,将鸟类迁徙行为模式与气象条件的影响进行关联,形成鸟类迁徙行为的系统性理解。
知识验证与修正:
通过进一步观测和实验,研究者验证假设的正确性和有效性。例如,通过不同时间段和不同气象条件下的迁徙记录,验证逆风条件对迁徙速度的影响。如果新的观测结果与假设不符,研究者需要修正假设,完善知识体系。
在这个案例中,知识语义的数学化表示可以帮助我们理解其完整性和结构性。知识概念的语义属性集S表示为:
S={f1,f2,…,fn}
其中,fi 表示知识概念的一个语义特征。在这个案例中,语义特征可能包括:
f1:迁徙速度
f2:风速条件
f3:降水条件
f4:迁徙路径
知识概念集合K包含所有共享完整语义属性集的实例:
K={k∣k 共享 S}
生成知识的过程可以表示为:
K:X→Y
其中,X 表示数据语义、信息语义、知识语义、智慧语义和意图语义的集合或组合(即DIKWP内容语义),而 Y 表示产生的新的知识语义关联。
知识的哲学意义在这个案例中,知识不仅是对鸟类迁徙行为的观察记录,更是通过假设和高阶认知活动形成的系统性理解。知识的语义完整性和系统性反映了认知主体对鸟类迁徙行为的深刻理解和解释。通过假设和抽象,研究者能够揭示现象之间的深层联系和内在逻辑,提供对鸟类迁徙行为更全面和深刻的理解。
我们可以看到在DIKWP模型中,数据、信息和知识是如何从原始观测记录,通过认知主体的高阶认知活动,形成系统性理解的过程。知识的生成过程不仅是对现有数据和信息的整合,更是通过假设和抽象,赋予观察结果以完整语义,从而形成系统性理解和规则。这个过程展示了知识在认知和理解世界中的重要作用。
对比分析段玉聪教授的知识定义段玉聪教授的知识定义强调了以下几个关键点:
语义完整性:知识概念的语义对应于认知空间中的一个或多个“完整”语义。
假设与抽象:知识是通过认知主体借助某种假设,对DIKWP内容进行语义完整性抽象活动形成的。
语义网络:知识的语义结构化为语义网络,其中节点代表概念,边代表概念之间的语义关系。
系统性理解:知识是对DIKWP内容从不理解到理解的认知状态转化的桥接,强调了对事物本质和内在联系的理解。
动态验证与修正:通过验证和修正强化对知识的确认。
共享与传播:知识的存在不仅体现在个体层面,也体现在集体或社会层面,通过文化、教育和传承等方式进行共享和传播。
DIKW模型是知识管理领域的经典模型,它将知识分为四个层次:数据、信息、知识和智慧。
知识定义:
知识是经过处理和理解的信息,能够用于决策和行动。
知识是对信息的进一步解释和理解,通常包括模式识别、关系和规则的形成。
知识在DIKW模型中被视为静态的、结构化的信息。
关键特点:
层次性:数据、信息、知识、智慧是逐步上升的层次,每个层次都包含对前一个层次的处理和理解。
静态性:知识主要被视为静态的结构化信息,强调对信息的存储和管理。
对比:
段玉聪教授的定义更强调知识的动态性和语义完整性,知识是通过认知活动形成的,具有更高的抽象层次。
DIKW模型更关注知识的层次和存储,而段玉聪教授的定义更关注知识的生成和验证过程。
SECI模型是知识管理中的一个动态模型,描述了知识在组织内的转化过程。
知识定义:
知识分为显性知识和隐性知识。
显性知识可以通过书写和编码进行传递,隐性知识则是个人的经验和洞察,难以直接传递。
知识通过四个过程进行转化:社会化(隐性到隐性)、外化(隐性到显性)、结合(显性到显性)和内化(显性到隐性)。
关键特点:
动态性:强调知识在组织内的动态转化和共享过程。
双重性:显性知识和隐性知识的相互转化。
对比:
段玉聪教授的定义强调知识的语义网络和语义完整性,而SECI模型更关注知识的转化和共享过程。
SECI模型中的知识转化强调隐性和显性知识的互动,而段玉聪教授的定义主要关注知识的抽象和验证。
Michael Polanyi提出的隐性知识理论强调了隐性知识的重要性,即那些难以形式化和传递的知识。
知识定义:
知识分为显性知识和隐性知识。
隐性知识是难以言传的个人经验和技能。
关键特点:
难以形式化:隐性知识难以通过语言或文档形式传递。
个体性:隐性知识深深植根于个人经验和技能。
对比:
段玉聪教授的定义更关注知识的语义完整性和抽象过程,而Polanyi的理论强调隐性知识的重要性和难以传递性。
Polanyi的理论更注重知识的个体性,而段玉聪教授的定义也考虑了知识在社会层面的共享和传播。
Cynefin框架是一个用于决策的模型,描述了知识和问题的不同类型。
知识定义:
知识在不同情境下的应用方式不同,框架分为简单、复杂、复杂、混沌和无序五个域。
每个域中知识的应用和决策方式不同。
关键特点:
情境性:知识的应用和决策根据情境的不同而变化。
多样性:强调不同类型问题需要不同的知识处理方式。
对比:
Cynefin框架强调知识在不同情境下的应用和决策,而段玉聪教授的定义更关注知识的生成、验证和结构化。
Cynefin框架适用于复杂系统和问题的决策,而段玉聪教授的定义适用于知识的理论构建和语义理解。
动态性与静态性:段玉聪教授的定义强调知识的动态生成和验证过程,知识是通过认知主体的高阶认知活动形成的。相比之下,DIKW模型更强调知识的静态层次性和存储。
语义完整性与层次性:段玉聪教授的定义注重知识的语义完整性和抽象,而DIKW模型和SECI模型更注重知识的层次性和转化过程。
个体性与社会性:Polanyi的隐性知识理论强调知识的个体性,难以传递的个人经验和技能。段玉聪教授的定义则考虑了知识在个体和社会层面的共享和传播。
情境性与结构化:Cynefin框架关注知识在不同情境下的应用和决策,强调情境对知识应用的影响。段玉聪教授的定义则强调知识的结构化和对复杂系统的理解。
段玉聪教授的知识定义在现有知识模型的基础上,强调了知识的语义完整性、抽象过程、动态验证和语义网络结构化。相比其他模型,段教授的定义更关注知识的生成和验证过程,强调对事物本质和内在联系的理解。这种定义更适合用于解释和理解复杂系统和抽象概念,同时也强调了知识在社会层面的共享和传播。
以下是用表格形式详细展示段玉聪教授提出的知识定义与其他主要知识定义和模型的对比分析:
特征 | 段玉聪教授的知识定义 | DIKW模型 | SECI模型 | Polanyi的隐性知识理论 | Cynefin框架 |
---|---|---|---|---|---|
定义 | 知识概念的语义对应于认知空间中的一个或多个“完整”语义,通过假设和高阶认知活动进行语义完整性抽象。 | 知识是经过处理和理解的信息,能够用于决策和行动。 | 知识分为显性知识和隐性知识,通过社会化、外化、结合和内化四个过程进行转化。 | 知识分为显性知识和隐性知识,隐性知识是难以形式化和传递的个人经验和技能。 | 知识在不同情境下的应用方式不同,分为简单、复杂、复杂、混沌和无序五个域。 |
关键特点 | 语义完整性、假设与抽象、语义网络、系统性理解、动态验证与修正、共享与传播。 | 层次性、静态性,强调知识的存储和管理。 | 动态性、双重性(显性知识和隐性知识的相互转化)。 | 难以形式化、个体性,强调个人经验和技能。 | 情境性、多样性,强调知识的应用和决策根据情境不同而变化。 |
语义完整性 | 强调,通过假设和抽象活动形成完整语义,构建系统性理解。 | 不强调,主要关注信息向知识的转化过程。 | 部分强调,通过显性和隐性知识的转化形成系统性理解。 | 不强调,主要关注隐性知识的个体性和难以传递性。 | 不强调,主要关注知识在不同情境下的应用方式。 |
知识生成过程 | 观察和学习、假设形成、语义完整性抽象、语义联系搭建、知识验证与修正。 | 信息处理和理解,识别模式和形成规则。 | 社会化、外化、结合和内化四个过程。 | 隐性知识通过个人经验和技能形成,难以直接传递。 | 知识生成根据不同情境进行决策,应用方式不同。 |
知识表示 | 语义网络,节点代表概念,边代表概念之间的语义关系。 | 层次结构,从数据到信息再到知识和智慧。 | 动态转化过程,显性知识和隐性知识的相互转化。 | 难以形式化的个人经验和技能,不易通过文档形式传递。 | 五个域,每个域中知识的应用和决策方式不同。 |
静态性 vs. 动态性 | 动态,强调知识的生成、验证和修正。 | 静态,主要关注知识的层次和存储。 | 动态,强调知识的转化和共享过程。 | 静态,主要关注隐性知识的个体性和难以传递性。 | 动态,知识应用根据情境变化。 |
个体性 vs. 社会性 | 强调知识在个体和社会层面的共享和传播,通过文化、教育和传承进行。 | 主要关注知识的个人层面,不强调社会层面。 | 强调知识的社会性,通过组织内的转化和共享过程。 | 强调知识的个体性,主要关注个人经验和技能。 | 强调知识在不同情境下的应用,适用于复杂系统和问题的决策。 |
抽象与概括 | 强调,通过高阶认知活动和假设形成系统性知识。 | 不强调,主要关注信息的处理和理解。 | 部分强调,通过显性和隐性知识的转化形成系统性理解。 | 不强调,主要关注隐性知识的个体性和难以传递性。 | 不强调,主要关注知识的应用和决策方式。 |
验证与修正 | 强调,通过进一步观测和实验验证假设的正确性和有效性,并根据新信息进行修正和完善。 | 不强调,主要关注知识的存储和管理。 | 强调,通过不断的知识转化和共享过程,验证和完善知识。 | 不强调,主要关注隐性知识的个体性和难以传递性。 | 强调,根据不同情境进行知识的应用和决策,验证其有效性。 |
哲学意义 | 知识是认知主体对世界的深刻理解和解释,通过抽象和概括形成系统性知识。 | 知识是对信息的进一步处理和理解,主要关注其应用和决策功能。 | 知识是显性和隐性知识的相互转化,通过组织内的共享和传播形成。 | 知识是个人经验和技能的体现,难以通过形式化手段传递。 | 知识是根据情境进行决策和应用的手段,强调其多样性和情境适应性。 |
段玉聪教授的知识定义在现有知识模型的基础上,强调了知识的语义完整性、抽象过程、动态验证和语义网络结构化。相比其他模型,段教授的定义更关注知识的生成和验证过程,强调对事物本质和内在联系的理解。这种定义更适合用于解释和理解复杂系统和抽象概念,同时也强调了知识在社会层面的共享和传播。
结论我们可以看到在DIKWP模型中,数据、信息和知识是如何从原始观测记录,通过认知主体的高阶认知活动,形成系统性理解的过程。知识的生成过程不仅是对现有数据和信息的整合,更是通过假设和抽象,赋予观察结果以完整语义,从而形成系统性理解和规则。这个过程展示了知识在认知和理解世界中的重要作用。
参考文献:Nonaka, I., & Takeuchi, H. (1995). The Knowledge-Creating Company: How Japanese Companies Create the Dynamics of Innovation. Oxford University Press.
Polanyi, M. (1966). The Tacit Dimension. Doubleday & Company.
Davenport, T. H., & Prusak, L. (1998). Working Knowledge: How Organizations Manage What They Know. Harvard Business School Press.
Alavi, M., & Leidner, D. E. (2001). Review: Knowledge Management and Knowledge Management Systems: Conceptual Foundations and Research Issues. MIS Quarterly, 25(1), 107-136.
Choo, C. W. (1998). The Knowing Organization: How Organizations Use Information to Construct Meaning, Create Knowledge, and Make Decisions. Oxford University Press.
Grant, R. M. (1996). Toward a Knowledge-Based Theory of the Firm. Strategic Management Journal, 17(S2), 109-122.
Nonaka, I. (1994). A Dynamic Theory of Organizational Knowledge Creation. Organization Science, 5(1), 14-37.
Blackler, F. (1995). Knowledge, Knowledge Work and Organizations: An Overview and Interpretation. Organization Studies, 16(6), 1021-1046.
Spender, J.-C. (1996). Making Knowledge the Basis of a Dynamic Theory of the Firm. Strategic Management Journal, 17(S2), 45-62.
Teece, D. J. (1998). Capturing Value from Knowledge Assets: The New Economy, Markets for Know-How, and Intangible Assets. California Management Review, 40(3), 55-79.
Tsoukas, H., & Vladimirou, E. (2001). What is Organizational Knowledge? Journal of Management Studies, 38(7), 973-993.
Dretske, F. I. (1981). Knowledge and the Flow of Information. MIT Press.
Zack, M. H. (1999). Managing Codified Knowledge. Sloan Management Review, 40(4), 45-58.
Brown, J. S., & Duguid, P. (1991). Organizational Learning and Communities of Practice: Toward a Unified View of Working, Learning, and Innovation. Organization Science, 2(1), 40-57.
Schultze, U., & Leidner, D. E. (2002). Studying Knowledge Management in Information Systems Research: Discourses and Theoretical Assumptions. MIS Quarterly, 26(3), 213-242.
Boisot, M. (1998). Knowledge Assets: Securing Competitive Advantage in the Information Economy. Oxford University Press.
Kogut, B., & Zander, U. (1992). Knowledge of the Firm, Combinative Capabilities, and the Replication of Technology. Organization Science, 3(3), 383-397.
Wenger, E. (1998). Communities of Practice: Learning, Meaning, and Identity. Cambridge University Press.
Hansen, M. T., Nohria, N., & Tierney, T. (1999). What’s Your Strategy for Managing Knowledge? Harvard Business Review, 77(2), 106-116.
von Krogh, G., Ichijo, K., & Nonaka, I. (2000). Enabling Knowledge Creation: How to Unlock the Mystery of Tacit Knowledge and Release the Power of Innovation. Oxford University Press.
Alavi, M., & Leidner, D. E. (1999). Knowledge Management Systems: Issues, Challenges, and Benefits. Communications of the AIS, 1(2es), 1.
Cook, S. D. N., & Brown, J. S. (1999). Bridging Epistemologies: The Generative Dance Between Organizational Knowledge and Organizational Knowing. Organization Science, 10(4), 381-400.
Cross, R., & Sproull, L. (2004). More than an Answer: Information Relationships for Actionable Knowledge. Organization Science, 15(4), 446-462.
Simon, H. A. (1991). Bounded Rationality and Organizational Learning. Organization Science, 2(1), 125-134.
Leonard-Barton, D. (1995). Wellsprings of Knowledge: Building and Sustaining the Sources of Innovation. Harvard Business School Press.
Nonaka, I., von Krogh, G., & Voelpel, S. (2006). Organizational Knowledge Creation Theory: Evolutionary Paths and Future Advances. Organization Studies, 27(8), 1179-1208.
McDermott, R. (1999). Why Information Technology Inspired but Cannot Deliver Knowledge Management. California Management Review, 41(4), 103-117.
Earl, M. (2001). Knowledge Management Strategies: Toward a Taxonomy. Journal of Management Information Systems, 18(1), 215-233.
Argyris, C., & Schön, D. A. (1978). Organizational Learning: A Theory of Action Perspective. Addison-Wesley.
Senge, P. M. (1990). The Fifth Discipline: The Art and Practice of the Learning Organization. Doubleday/Currency.
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-12-25 01:31
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社