مدیریت دانش در عصر یادگیری ماشین: مروری بر رویکردهای هوشمند
کلمات کلیدی:
مدیریت دانش, یادگیری ماشین, هوش مصنوعی, تحول دیجیتال, سازمان یادگیرنده, حکمرانی دادهچکیده
هدف: هدف این پژوهش، مرور نظام‌مند و تحلیل رویکردهای نوین مدیریت دانش در عصر یادگیری ماشین و تبیین الگوهای هوشمند تحول‌یافته در خلق، ذخیره و انتقال دانش در سازمان‌ها است.
مواد و روش‌ها: این مطالعه از نوع کیفی و مروری نظام‌مند است که با تحلیل محتوای ۱۲ مقاله علمی منتشرشده بین سال‌های ۲۰۱۵ تا ۲۰۲۵ انجام شد. داده‌ها از پایگاه‌های Scopus، Web of Science و ScienceDirect گردآوری گردید و تحلیل مضمون با استفاده از نرم‌افزار NVivo نسخه ۱۴ صورت گرفت. کدگذاری باز، محوری و انتخابی انجام و مضامین تا رسیدن به اشباع نظری استخراج شدند.
یافته‌ها: نتایج تحلیل نشان داد سه مقوله اصلی در ادبیات مدیریت دانش در عصر یادگیری ماشین غالب‌اند: تحول دیجیتال در زیرساخت‌های دانشی، یادگیری سازمانی مبتنی بر ماشین و آینده‌پژوهی و سیاست‌گذاری دانشی. یافته‌ها نشان دادند یادگیری ماشین با تحلیل کلان‌داده‌ها، کشف الگوهای پنهان و پیش‌بینی روندها موجب خودکارسازی فرایندهای دانشی و ارتقای ظرفیت یادگیری سازمانی می‌شود. همچنین چالش‌هایی همچون امنیت داده، سوگیری الگوریتمی و کمبود سواد داده‌ای به‌عنوان موانع کلیدی شناسایی شدند.
نتیجه‌گیری: مدیریت دانش در عصر یادگیری ماشین به‌سوی مدل‌های هوشمند، پویا و ترکیبی از تعامل انسان و ماشین در حال حرکت است. موفقیت این تحول نیازمند هم‌افزایی میان فناوری، فرهنگ سازمانی، سیاست‌گذاری داده و اخلاق هوش مصنوعی است. این مطالعه با شناسایی ابعاد فناورانه، انسانی و سیاستی، می‌تواند مبنایی برای طراحی راهبردهای هوشمند در سازمان‌های یادگیرنده آینده باشد.
دانلودها
مراجع
Alavi, M., & Leidner, D. E. (2021). Knowledge management and knowledge management systems: Conceptual foundations and research issues. MIS Quarterly, 25(1), 107–136.
Bolisani, E., & Handzic, M. (2023). Advances in knowledge management in the era of artificial intelligence. Springer.
Brynjolfsson, E., & McAfee, A. (2023). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. W. W. Norton & Company.
Carlucci, D., & Schiuma, G. (2022). Measuring intellectual capital and knowledge assets: New insights into knowledge-based performance measurement. Journal of Knowledge Management, 26(3), 745–762.
Floridi, L., & Cowls, J. (2022). A unified framework of five principles for AI in society. Harvard Data Science Review, 4(1), 1–18.
García-Peñalvo, F. J. (2024). Digital transformation in education: Toward a culture of continuous learning. Education and Information Technologies, 29(2), 1785–1804.
Holsapple, C. W. (2023). Ethical dimensions of artificial intelligence in knowledge management. Information Systems Frontiers, 25(1), 67–83.
Kumar, A., Singh, R., & Dwivedi, Y. K. (2020). Application of big data analytics in knowledge management systems. Technological Forecasting and Social Change, 159, 120–165.
Lee, J., & Chen, D. (2022). Artificial intelligence and machine learning in knowledge management: Opportunities and challenges. Journal of Information Science, 48(4), 552–570.
Liu, Y., & Wang, H. (2024). Federated learning and data privacy in intelligent knowledge systems. Expert Systems with Applications, 238, 121548.
Nonaka, I., & Takeuchi, H. (2021). The wise company: How companies create continuous innovation. Oxford University Press.
Schiuma, G. (2021). The evolution of knowledge management in the digital age: From knowledge sharing to knowledge intelligence. Knowledge Management Research & Practice, 19(5), 541–553.
Tarabasz, A., Kuk, K., & Brodowska-Szewczuk, J. (2024). Intelligent cloud-based knowledge systems: The role of AI in enterprise transformation. Computers in Industry, 156, 103266.
