活动介绍

移动工作场景下的协作知识创造支持系统

立即解锁
发布时间: 2025-08-20 02:06:36 阅读量: 1 订阅数: 4
PDF

CRIWG 2010: 合作与技术的国际会议

# 移动工作场景下的协作知识创造支持系统 ## 1. 引言 在组织内部,知识创造(KC)是一项至关重要的活动,它被认为是差异化因素和重要的竞争力来源。知识可分为显性知识和隐性知识,显性知识是系统化、标准化的知识,能够通过正式语言,利用记录、报告或文件来表达。而隐性知识则是人们通过面对面的口头交流、个人经验的交换或对已有知识的处理而获得的,但却难以进行系统的交流。这可能是由于其结构不够完善、需要在特定的社会背景下传递才能被接收者理解,或者难以进行表征。 Nonaka 和 Takeuchi 提出了社会化、外化、组合、内化(SECI)模型,旨在通过一个他们称之为知识创造(KC)的过程,将隐性知识转化为显性知识。然而,要利用隐性知识实现知识创造并非易事,因为除非将其转化为显性知识,否则很难检索和共享。而且,由于搭便车行为、评估担忧、生产阻塞或组织内知识创造者之间缺乏信任等原因,显性知识有时也无法得到有效共享。 目前用于知识创造的技术,从存储最佳实践的成功数据库到支持人类决策过程的人工智能系统,大多是为静态工作场所设计的。这意味着移动工作者无法利用组织内现有的知识池,也无法在办公室外履行职责时为扩大知识池做出贡献。因此,本文旨在探索移动技术在支持此类会议中的作用,提供简单而有用的可视化机制来支持知识创造,特别是针对管理隐性知识。 ## 2. 面对面场景中的知识创造 ### 2.1 可视化机制、草图绘制和头脑草图绘制 可视化能够实现知识的“映射”,促进其创造和共享。在知识创造中,可视化通过草图、概念图、图形表示等方式,支持个人或协作地创造隐性知识。它有助于个人澄清自己的隐性知识,也便于与他人分享知识。 草图绘制在面对面的创意生成会议中具有诸多优势: - **思考方面**:草图绘制能在个人参与者的创意生成过程中激发重新解释的循环。 - **交流方面**:草图绘制能促使参与者重新解释彼此的想法。 - **存储方面**:草图绘制通过增强早期想法的可访问性,促进在创意生成过程中对这些想法的利用。 “头脑草图绘制”是一种使用草图的创意生成技术,它是更为人熟知的头脑书写技术的图形变体。通常在头脑草图绘制过程中,参与者首先各自绘制想法,然后通过交换纸张分享这些想法,接着以工作表上已有的想法为灵感来源。 ### 2.2 基于头脑书写的移动群组知识创造 大多数人认为,面对面的小组环境最适合进行知识创造,因为与他人的互动能够激发创造力。然而,有控制的研究一致表明,与单独工作或在名义小组中工作相比,人们在小组中工作时产生的想法更少、质量更低。如今,我们已经清楚了面对面头脑风暴小组中阻碍生产力的原因: - **搭便车行为**:倾向于让其他小组成员完成工作。 - **评估担忧**:小组在开始时产出率较低,且在整个会议过程中保持这种低产出状态。 - **生产阻塞**:小组成员必须等待轮到自己发言才能表达想法。 电子头脑书写和头脑草图绘制可以减少甚至消除生产阻塞、评估担忧和搭便车行为。研究还表明,在小组中分享书面想法可能会增强创造力。一些作者提出了一个初始阶段,即个人先写下想法,然后在轮询式的轮流会议中与小组分享这些想法,使用黑板进行总结和选择,接着小组对想法进行讨论以澄清和评估,最后通过个人或协作的过程对想法进行排名以做出最终决策。 Nonaka 等人开发了一个知识创造模型,该模型涉及隐性知识和显性知识之间的持续互动,以在小组或社区内产生新知识。虽然可以通过“行动中的反思”、使用隐喻和类比或通过指导和讲故事等方式将部分隐性知识“外化”,但隐性知识的某些方面,特别是与创造力、直觉、情感和技能相关的方面,不太可能完全显性化。 随着知识越来越多地由移动中的面对面工作者创造和应用,但大多数知识创造支持系统是为连接到中央服务器的台式 PC 设计的,这限制了知识创造的潜力,可能会排除负责知识密集型活动的有价值的移动工作者。因此,引入移动技术的使用可以扩展组织支持知识创造的能力。 ### 2.3 应用于面对面移动知识创造支持的设计原则 我们不应仅仅专注于对知识进行编码的系统,而应更多地关注促进知识持有者、创造者和需求者之间协作的系统。近期的研究已经开始认识到,在设计知识管理系统时,需要纳入对面对面知识创造和共享的支持,以促进复杂的、特定情境知识的转移。 知识创造系统有三个关键的功能要求: - **信息情境化**:便于将信息置于特定的情境中理解。 - **社交互动和网络**:促进知识创造者之间的交流和合作。 - **易用的人机界面**:提供信息的可视化表示和组织。 基于以上考虑,我们开发了一个名为 MCKC(移动协作知识创造)的系统原型,用于支持移动场景下人们面对面的协作知识创造。该系统运行在通过自组织网络无线互连的平板电脑和个人数字助理(PDA)上,并且在有必要的网络基础设施时,能够将移动设备的数据与中央存储库同步。这样,人们可以随时随地访问现有的显性知识。 MCKC 使用设备的触摸屏机制作为主要的人机交互方式,输入信息。草图绘制被用作信息管理的可视化工具,支持头脑书写和头脑草图绘制过程,同时也用于通过手势实现命令输入,以实现简单易用的应用界面。系统采用了各种可视化机制进行信息管理,实现了基于自由手绘的输入范式,用户可以绘制草图、编辑图形信息和自由手写文本,还可以使用概念图等视觉隐喻进行信息管理。 MCKC 系统有三种模式: - **头脑书写/头脑草图绘制模式**:支持知识外化,允许用户通过自由手写或草图解释他们的隐性或显性知识。 - **相关信息选择模式**:支持社会化和组合过程,帮助小组筛选出相关的想法。 - **知识创造的可视化呈现和语义模式**:支持社会化过程,让用户通过最终的可视化表示将知识创造过程具体化。 这三种模式旨在提供一个支持隐性知识到隐性知识共享和创造的环境,无需在共享之前将隐性知识转化为显性知识。同时,MCKC 考虑到社交互动是协作知识创造的关键因素,虽然它也可以支持个人知识创造,但通过让人们书写想法而不是口头表达,可以减少生产阻塞、评估担忧和搭便车问题。 以下是 MCKC 系统设计原则和功能要求的关系表格: |设计原则|功能要求| | ---- | ---- | |基于 SECI 模型|支持知识的外化、社会化、组合和内化过程| |考虑移动设备特点|实现无线互联和数据同步,利用触摸屏交互| |注重人机界面设计|提供可视化表示和自由手绘输入| |强调社交互动|减少协作中的问题,促进知识共享| 下面是 MCKC 系统三种模式的简单流程图: ```mermaid graph LR A[头脑书写/头脑草图绘制模式] --> B[相关信息选择模式] B --> C[知识创造的可视化呈现和语义模式] C --> A ``` ## 3. MCKC 描述和应用场景 草图有助于将隐性知识外化,表达人们头脑中的想法和概念,还能帮助人们在与他人交流之前整理和澄清自己的想法。因此,MCKC 允许通过其界面指定显性和隐性知识。该界面使用设备的触控笔通过手势激活选项,以简单的方式操作信息,利用可视化机制呈现和处理信息,支持草图编辑和自由手写,便于面对面协作进行知识创造的小组成员之间的互动。 MCKC 可以随时随地使用,能够带到组织的任何物理场所,甚至在人们移动时也能使用。接下来,我们将简要描述 MCKC 的功能、三种工作模式以及使其成为支持知识创造的合适工具的特点。每种模式都旨在支持 SECI 模型的一个阶段,系统不强制规定使用每种模式的顺序,允许进行螺旋式发展,用户可以随时返回上一个模式进行修正或重新开始。以下描述基于一个场景:某组织营销部门的三个人正在构思一款全地形汽车的新海报应该是什么样子。 ### 3.1 SECI 模型 - 外化:头脑书写/草图绘制模式 头脑书写/草图绘制模式支持知识外化,允许用户通过自由手写或草图解释他们的隐性或显性知识。默认情况下,此模式以非协作方式工作,允许用户在分享想法之前自由准备,减少搭便车、生产阻塞和评估担忧问题。尽管用户处于面对面的情境中,但他们可以并行生成想法(如图 1 所示)。 如果需要编辑之前的想法,用户可以通过单击选择该想法所在的区域,然后点击“向下箭头”图标进入编辑模式(如图 1d 所示)。 为了进行协作,参与者需要激活应用程序的协作工作选项。之后,他们可以分享想法并开始像单独工作时一样进行协作编辑,这支持了 SECI 模型中的知识社会化过程。由于想法是一个接一个显示的,因此需要一个滚动功能来浏览它们,这可以通过将触控笔在屏幕右侧垂直边框上下滑动的手势来完成(如图 1c 所示)。 以下是该模式下的操作步骤列表: 1. 开启 MCKC 系统,进入头脑书写/草图绘制模式。 2. 用户自由地通过自由手写或草图表达自己的想法。 3. 若要编辑已有想法,单击选择区域并点击“向下箭头”图标进入编辑模式。 4. 若要进行协作,激活协作工作选项,分享并协作编辑想法。 5. 使用滚动手势浏览想法。 ### 3.2 SECI 模型 - 社会化/组合:相关信息选择模式 在每个用户外化自己的想法后,需要让所有小组成员参与来完善这些想法。为了选择想法,必须确定哪些是相关的,哪些可以丢弃。为了支持这个过程,MCKC 生成一个包含所有已创建想法的列表,这些想法将以相似比例的矩形框直观显示。在这个阶段,想法列表对所有参与者可见,如图 1 所示。 为了对想法进行排名,参与者需要对其进行正面或负面投票。他们可以通过在代表某个想法的矩形左侧区域做一个勾选手势来发出正面投票(如图 1.e 所示),在右侧区域做一个勾选手势来发出负面投票(如图 1.f 所示)。数字 1 到 5 表示每个想法根据收到的投票所获得的排名,5 表示最相关,0 表示该想法完全不相关。由于可能有很多想法,此模式也提供了滚动机制(如图 1.d 所示)。 在开始时,在收到任何投票之前,一个想法的排名数字将为 1。想法的排名数字出现在矩形的右下角。随着想法被排名,它们将根据排名级别重新排列和分组,这样相关的想法就很容易与不相关的想法区分开来,支持对它们的选择。在这个模式下,通过点击矩形的中间区域可以对想法进行协作编辑,协作编辑允许隐性和显性知识的社会化,使参与者能够结合他们对想法的知识和观点。 以下是该模式下的操作步骤列表: 1. 完成头脑书写/草图绘制模式后,进入相关信息选择模式。 2. 查看 MCKC 生成的想法列表。 3. 通过在矩形左右区域做勾选手势对想法进行正负投票。 4. 利用滚动机制浏览想法。 5. 点击矩形中间区域对想法进行协作编辑。 ### 3.3 SECI 模型 - 内化:知识创造的可视化呈现和语义模式 此模式允许用户通过最终的可视化表示将知识创造过程具体化,这个过程需要所有参与者达成一致。以海报设计场景为例,参与者必须就哪些想法将以视觉形式表达,哪些以书面形式表达在海报上达成共识。 在这个模式开始时,会出现一个空白页面,顶部有一个小方块列表,代表按排名顺序生成的想法。在这个阶段,参与者需要对想法进行视觉排列,这是知识创造过程中的一个重要阶段,因为期望在这里用草图和其他可视化表示来表达隐性和显性知识。预计参与者首先会绘制一个草图,根据草图的含义将想法按特定顺序放置。在示例中,用户将确定每个想法在海报上的位置。想法可以从列表中拖动并放置到所需的位置(如图 2 所示)。 以下是该模式下的操作步骤列表: 1. 进入知识创造的可视化呈现和语义模式。 2. 查看空白页面和顶部按排名排列的想法列表。 3. 参与者共同讨论并确定想法的视觉和书面表达形式。 4. 绘制草图,根据草图含义排列想法。 5. 从列表中拖动想法到草图中的期望位置。 下面是 MCKC 系统三种模式在应用场景中的完整流程图: ```mermaid graph LR classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px; classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px; A([开始]):::startend --> B(头脑书写/草图绘制模式):::process B --> C{是否协作?}:::process C -- 否 --> D(继续个人创作):::process C -- 是 --> E(激活协作选项):::process E --> F(分享并协作编辑想法):::process D --> G(完成个人创作):::process F --> G G --> H(相关信息选择模式):::process H --> I(投票排名想法):::process I --> J(协作编辑想法):::process J --> K(知识创造的可视化呈现和语义模式):::process K --> L(确定表达形式):::process L --> M(视觉排列想法):::process M --> N([结束]):::startend ``` 综上所述,MCKC 系统通过三种工作模式,紧密结合 SECI 模型,为移动场景下的面对面协作知识创造提供了有效的支持。它充分考虑了移动设备的特点和人机交互的便利性,利用草图绘制等可视化手段,减少了传统协作过程中存在的问题,能够帮助组织更好地管理和创造知识,提升竞争力。无论是个人知识的外化,还是团队知识的社会化、组合和内化,MCKC 都提供了可行的解决方案,具有广阔的应用前景。
corwn 最低0.47元/天 解锁专栏
赠100次下载
点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

zip
资源下载链接为: https://pan.quark.cn/s/d37d4dbee12c A:计算机视觉,作为人工智能领域的关键分支,致力于赋予计算机系统 “看懂” 世界的能力,从图像、视频等视觉数据中提取有用信息并据此决策。 其发展历程颇为漫长。早期图像处理技术为其奠基,后续逐步探索三维信息提取,与人工智能结合,又经历数学理论深化、机器学习兴起,直至当下深度学习引领浪潮。如今,图像生成和合成技术不断发展,让计算机视觉更深入人们的日常生活。 计算机视觉综合了图像处理、机器学习、模式识别和深度学习等技术。深度学习兴起后,卷积神经网络成为核心工具,能自动提炼复杂图像特征。它的工作流程,首先是图像获取,用相机等设备捕获视觉信息并数字化;接着进行预处理,通过滤波、去噪等操作提升图像质量;然后进入关键的特征提取和描述环节,提炼图像关键信息;之后利用这些信息训练模型,学习视觉模式和规律;最终用于模式识别、分类、对象检测等实际应用。 在实际应用中,计算机视觉用途极为广泛。在安防领域,能进行人脸识别、目标跟踪,保障公共安全;在自动驾驶领域,帮助车辆识别道路、行人、交通标志,实现安全行驶;在医疗领域,辅助医生分析医学影像,进行疾病诊断;在工业领域,用于产品质量检测、机器人操作引导等。 不过,计算机视觉发展也面临挑战。比如图像生成技术带来深度伪造风险,虚假图像和视频可能误导大众、扰乱秩序。为此,各界积极研究检测技术,以应对这一问题。随着技术持续进步,计算机视觉有望在更多领域发挥更大作用,进一步改变人们的生活和工作方式 。

SW_孙维

开发技术专家
知名科技公司工程师,开发技术领域拥有丰富的工作经验和专业知识。曾负责设计和开发多个复杂的软件系统,涉及到大规模数据处理、分布式系统和高性能计算等方面。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看
立即解锁

专栏目录

最新推荐

CListCtrl字体与颜色搭配优化:打造视觉舒适界面技巧

![CListCtrl字体与颜色搭配优化:打造视觉舒适界面技巧](https://anchorpointegraphics.com/wp-content/uploads/2019/02/ColorContrastExamples-02.png) # 摘要 本文深入探讨了CListCtrl控件在Windows应用程序开发中的应用,涵盖了基础使用、字体优化、颜色搭配、视觉舒适性提升以及高级定制与扩展。通过详细分析CListCtrl的字体选择、渲染技术和颜色搭配原则,本文提出了提高用户体验和界面可读性的实践方法。同时,探讨了视觉效果的高级应用,性能优化策略,以及如何通过定制化和第三方库扩展List

【企业级应用高性能选择】:View堆栈效果库的挑选与应用

![View堆栈效果库](https://cdn.educba.com/academy/wp-content/uploads/2020/01/jQuery-fadeOut-1.jpg) # 摘要 堆栈效果库在企业级应用中扮演着至关重要的角色,它不仅影响着应用的性能和功能,还关系到企业业务的扩展和竞争力。本文首先从理论框架入手,系统介绍了堆栈效果库的分类和原理,以及企业在选择和应用堆栈效果库时应该考虑的标准。随后通过实践案例,深入探讨了在不同业务场景中挑选和集成堆栈效果库的策略,以及在应用过程中遇到的挑战和解决方案。文章最后展望了堆栈效果库的未来发展趋势,包括在前沿技术中的应用和创新,以及企业

冷却系统设计的未来趋势:方波送风技术与数据中心效率

![fangbosongfeng1_风速udf_udf风_方波送风_](https://www.javelin-tech.com/3d/wp-content/uploads/hvac-tracer-study.jpg) # 摘要 本文综合探讨了冷却系统设计的基本原理及其在数据中心应用中的重要性,并深入分析了方波送风技术的理论基础、应用实践及优势。通过对比传统冷却技术,本文阐释了方波送风技术在提高能效比和增强系统稳定性方面的显著优势,并详细介绍了该技术在设计、部署、监测、维护及性能评估中的具体应用。进一步地,文章讨论了方波送风技术对数据中心冷却效率、运维成本以及可持续发展的影响,提出了优化方案

【wxWidgets多媒体处理】:实现跨平台音频与视频播放

![【wxWidgets多媒体处理】:实现跨平台音频与视频播放](https://media.licdn.com/dms/image/D4D12AQH6dGtXzzYAKQ/article-cover_image-shrink_600_2000/0/1708803555419?e=2147483647&v=beta&t=m_fxE5WkzNZ45RAzU2jeNFZXiv-kqqsPDlcARrwDp8Y) # 摘要 本文详细探讨了基于wxWidgets的跨平台多媒体开发,涵盖了多媒体处理的基础理论知识、在wxWidgets中的实践应用,以及相关应用的优化与调试方法。首先介绍多媒体数据类型与

MATLAB程序设计模式优化:提升pv_matlab项目可维护性的最佳实践

![MATLAB程序设计模式优化:提升pv_matlab项目可维护性的最佳实践](https://pgaleone.eu/images/unreal-coverage/cov-long.png) # 摘要 本文全面探讨了MATLAB程序设计模式的基础知识和最佳实践,包括代码的组织结构、面向对象编程、设计模式应用、性能优化、版本控制与协作以及测试与质量保证。通过对MATLAB代码结构化的深入分析,介绍了函数与脚本的差异和代码模块化的重要性。接着,本文详细讲解了面向对象编程中的类定义、继承、封装以及代码重用策略。在设计模式部分,本文探讨了创建型、结构型和行为型模式在MATLAB编程中的实现与应用

【硬件开销最小化】:LMS算法在Verilog中的资源消耗分析

![【硬件开销最小化】:LMS算法在Verilog中的资源消耗分析](https://img-blog.csdnimg.cn/img_convert/b111b02c2bac6554e8f57536c89f3c05.png) # 摘要 本文深入探讨了最小均方(LMS)算法的基本原理、理论基础、在Verilog中的实现、资源消耗以及性能实验验证。首先介绍了自适应滤波器和LMS算法的基本概念及其在不同领域的应用背景。接着,详细分析了LMS算法的理论基础,包括工作原理、性能指标、数学模型以及收敛性和稳定性。在实现方面,本文讨论了LMS算法在Verilog语言中的设计与模块化实现细节。此外,本文还对

STM8微控制器应用揭秘:实现汉字点阵屏显示的顶尖电路方案

![基于STM8的点阵屏汉字显示-电路方案](https://blog.st.com/wp-content/uploads/ST18666_HC_STM32H735G-DK_0920banner.jpg) # 摘要 本文系统地介绍了STM8微控制器的基本概念和特性,并深入探讨了汉字点阵屏显示技术的基础知识。文章详细阐述了STM8与点阵屏的接口设计,包括I/O口配置和驱动电路设计,同时对字库的选择与管理进行了分析。在编程实践部分,文章提供了STM8编程环境的搭建方法,点阵屏显示程序编写技巧以及显示效果优化策略。此外,文章还介绍了STM8汉字点阵屏的高级应用,如多任务处理、外设集成和系统稳定性的

【BT-audio音频抓取工具比较】:主流工具功能对比与选择指南

# 摘要 本文旨在全面介绍BT-audio音频抓取工具,从理论基础、功能对比、实践应用到安全性与隐私保护等多个维度进行了深入探讨。通过分析音频信号的原理与格式、抓取工具的工作机制以及相关法律和伦理问题,本文详细阐述了不同音频抓取工具的技术特点和抓取效率。实践应用章节进一步讲解了音频抓取在不同场景中的应用方法和技巧,并提供了故障排除的指导。在讨论工具安全性与隐私保护时,强调了用户数据安全的重要性和提高工具安全性的策略。最后,本文对音频抓取工具的未来发展和市场需求进行了展望,并提出了选择合适工具的建议。整体而言,本文为音频抓取工具的用户提供了一个全面的参考资料和指导手册。 # 关键字 音频抓取;

【游戏物理引擎基础】:迷宫游戏中的物理效果实现

![基于C++-EasyX编写的益智迷宫小游戏项目源码.zip](https://images-wixmp-ed30a86b8c4ca887773594c2.wixmp.com/f/7eae7ef4-7fbf-4de2-b153-48a18c117e42/d9ytliu-34edfe51-a0eb-4516-a9d0-020c77a80aff.png/v1/fill/w_1024,h_547,q_80,strp/snap_2016_04_13_at_08_40_10_by_draconianrain_d9ytliu-fullview.jpg?token=eyJ0eXAiOiJKV1QiLCJh

【评估情感分析模型】:准确解读准确率、召回率与F1分数

![Python实现新闻文本类情感分析(采用TF-IDF,余弦距离,情感依存等算法)](https://img-blog.csdnimg.cn/20210316153907487.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbGRu,size_16,color_FFFFFF,t_70) # 摘要 情感分析是自然语言处理领域的重要研究方向,它涉及从文本数据中识别和分类用户情感。本文首先介绍了情感分析模型的基本概念和评估指标,然后