Anwendungen von Maschinellem Lernen im Wissensmanagement

Zweck: Das allgemeine Ziel der Studie war es, Anwendungen von maschinellem Lernen im Wissensmanagement zu erkunden. Methodologie: Die Studie wendete eine Desktop-Recherche-Methode an. Die Desktop-Recherche bezieht sich auf sekundäre Daten oder auf die Daten, die ohne Feldforschung gesammelt werden können. Die Desktop-Recherche befasst sich im Wesentlichen mit der Sammlung von Daten aus bestehenden Ressourcen und wird daher oft als kostengünstige Technik im Vergleich zur Feldforschung betrachtet, da die Hauptkosten in der Zeit der Führungskräfte, Telefongebühren und Verzeichnissen bestehen. Somit stützte sich die Studie auf bereits veröffentlichte Studien, Berichte und Statistiken. Diese Sekundärdaten waren leicht über die Online-Journale und Bibliotheken zugänglich. Ergebnisse: Die Ergebnisse zeigen, dass es eine kontextuelle und methodologische Lücke in Bezug auf Anwendungen von maschinellem Lernen im Wissensmanagement gibt. Eine vorläufige empirische Überprüfung ergab, dass die Integration von maschinellem Lernen (ML) in Wissensmanagementsysteme (KM) die Entscheidungsprozesse, den Wissensaustausch und die Zusammenarbeit innerhalb von Organisationen erheblich verbesserte. Mit ML ausgestattete Tools verbesserten Effizienz und Genauigkeit, indem sie Aufgaben automatisierten und prädiktive Einblicke bereitstellten, was zu einer besseren organisatorischen Leistung und Innovation führte. Die Studie hob jedoch auch die Herausforderungen der Datenqualität, Integration und Benutzeranpassung hervor, wobei die Notwendigkeit umfassender Strategien und Investitionen betont wurde, um die Vorteile von ML im KM zu maximieren. Letztendlich unterstrich die Studie das transformative Potenzial von ML, um ein effizienteres, innovativeres und wettbewerbsfähigeres organisatorisches Umfeld zu schaffen. Einzigartiger Beitrag zu Theorie, Praxis und Politik: Die Wissensbasierte Sicht (KBV) der Firma, das Technologieakzeptanzmodell (TAM) und die Theorie der sozio-technischen Systeme können verwendet werden, um zukünftige Studien zu Anwendungen von maschinellem Lernen im Wissensmanagement zu verankern. Die Studie empfahl, dynamische ML-Fähigkeiten in theoretische Rahmenbedingungen zu integrieren, wobei das Zusammenspiel zwischen ML-Algorithmen und menschlicher Kognition betont wird. Es wurde empfohlen, dass Organisationen in eine robuste ML-Infrastruktur investieren, eine Kultur des kontinuierlichen Lernens fördern und benutzerzentrierte Designprinzipien übernehmen. Die politischen Entscheidungsträger wurden aufgefordert, ethische Standards zu schaffen und bewährte Verfahren in der Datenverarbeitung zu fördern. Praktische Empfehlungen umfassten die Automatisierung routinemäßiger Aufgaben zur Steigerung der Effizienz, die Nutzung von ML zur Förderung kollaborativer Innovation und die Annahme von kontinuierlichen Verbesserungs- und Anpassungsmentalitäten, um ML-Anwendungen relevant und effektiv zu halten.