分类:企业管理研究

来自Big Physics


这个页面更大的背景

这是把lynkage-enabled-wiki的示例。将来还需要实现wiki-enabled-lynkage(以概念地图的形式呈现知识,每个知识条目放到lynkage的概念上)。最好两者还可以相互转换。

为什么要做这样的一个概念地图和wiki的融合来当做知识库的内在逻辑和外在呈现形式呢?

传统的wiki非常容易停留在信息的形态,被动地等着人们去查询和使用。其中,查询可以依赖搜索或者层次结构树来实现,或者进入页面以后发现最需要的跳转链接来查询。但是,这样的查询不太方便。于是,经常,除了有学习任务的学习者,就很少有用户主动地坚持地使用wiki形态的知识库。

当然,另一方面,把wiki知识库当做数据源做人工智能算法来辅助决策和学习,是可以的。在算法使用上,就不存在主动性的问题了。只要养成每次运行一下这个算法来辅助决策和学习的习惯。不过,这不是我们的重点。我们这里主要面向人类可读可使用。

我们认为,可视化,把知识呈现为一个网络的形态,或者说概念地图的形态,有助于帮助使用者更方便地使用知识库,于是提成主动性。如果有专人或者制度的配合,那这个主动性就更强了。

功能需求

这个实现了概念地图和知识条目完全融合的知识库需要具有以下功能:点击概念地图上的概念和连词节点,可以直接跳转到知识条目;每个知识条目的页面上,有相应的这个知识条目的局部概念地图,包含其最重要的上层和下层,以及左右联系。

概念地图做好可视化,可以任意尺度地缩放。缩放的过程中可能需要把底层概念改成相应的上层概念。这部分随着缩放做底层上层概念的转换,可能得先人工,后结合自然语言处理算法来实现。

实现功能需求的背后逻辑体系

为了实现这个概念地图和知识条目完全融合的功能,我们就需要对概念地图的概念(和连词)和知识条目的条目做统一的唯一ID,在给定的namespace里面。有了这个namespace和唯一ID,将来通过简单的语法,就可以实现两边的跳转。

直接背景

最近,在多位合作者的启发(逼问)下,我意识到,中心的核心理念——“知识网络、知识的层次、上下左右贯通”——以及这个理念下的工具——“诊断性检测算法、学习顺序算法、深层教和学的神经科学实验、教和学的实验”——可以迁移到企业,帮助企业做更好的创新。

由于这些理念主要来自于系统科学,主要精神就是“透彻联系,看到整体(See through connections to find the whole)”,因此,我给这套为企业服务的体系取了一个名字“Holism Consulting(好力生咨询)”。

好力生(Holism)核心理念、工具和主要任务

上面这张图介绍了好力生(Holism)咨询的核心理念、工具和主要任务。从中我们看到好力生(Holism)咨询的核心理念是系联性思考和科学化。所谓系联性思考就是指知识(甚至是一般的事物)之间的关系是普遍存在的,我们在提出和解决问题的时候需要考虑和利用好这样的关系。一旦我们用概念网络或者说概念地图的方式来表示这些知识之间的关系之后,我们会发现,知识具有层次结构,并且上层的知识往往可以用来生成相对低层知识。

顺便,上层知识生成低层知识的过程也能促进对低层知识的理解。反过来,上层知识的理解需要一些低层知识的例子,但是可能不用把全部的低层知识学会以后才能理解到上层。

因此,通过一定量(满足可以走到上层的条件下,尽可能地少)低层知识的学习,不断地上升,然后,从上升到的层次再来看相对低层,就会发现很多的相似性,就可以促进迁移。这就是上下贯通和左右贯通的含义。也可以看出来,为什么上下左右贯通有助于提升创新能力。

所谓科学化就是用一个数学结构买描述这个对象,包含这个对象的各个元素和元素之间的关系。这样的描述往往需要从这个对象的结构和行为数据来构建。有了这样一个对研究对象的描述之后,我们把这个对象在相应条件下的行为或者说对行为的干预等变成这个数学描述上的待求解的数学问题。将来,找到求解的方法解开之后,通过实验来检验这个得到的答案,以及检验纠结的方法,甚至检验所构建的描述这个对象的数学结构,也就是数学模型。如果与实际在某个误差范围内相符,则可以考虑实践应用以及系统化理论化这个数学模型以及求解方法。

为了配合这套理念的落地,我们还提出了知识官的体系。知识官建立在每个等级的每个业务单元。其主要负责知识库建设、会议讨论辅助、知识整理和使用的记录、和上级、同级、下级知识官做知识的整合。

子分类

本分类有以下2个子分类,共有2个子分类。