4星|《经验的疆界》:奇书,企业如何从经验中学习的相关论文综述,虽然有点旧但是非常有新意...

本文主要是介绍4星|《经验的疆界》:奇书,企业如何从经验中学习的相关论文综述,虽然有点旧但是非常有新意...,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

经验的疆界

算是一本奇书,风格与内容都比较罕见。篇幅非常短小,我估计大概在10万字左右,还有30%的篇幅是参考文献。

内容是企业如何从经验中学习的相关论文综述。英文原版是2010年出版的。只给出结论和出处,不详细阐述。有许多有趣的、震撼的内容。

一个重要的信息是:经验不像想象的那么有效,因为原因与结果可能太复杂了,总结者由于各种认知误差高估了经验的有效性,或错误总结了经验。

总体评价4星,比较有价值。

以下是书中一些内容的摘抄:

1:尽管很多组织热衷于从经验中学习,但是初步证据显示从经验中学习并不一定带来改进。#66

2:个人和组织尽管渴望从经验中获取智慧,但是在这种渴望之下从经验当中做出的推断往往具有误导性。#77

3:流行病传播学有两条假定,放在组织复制成功的情境下尤其不合适。第一条假定是,传播物在传播过程中保持不变。第二条假定是,联系网络在传播过程中保持不变。#260

4:不幸的是,在现实世界中复制成功,只能采用简单的内隐实验设计、简单的内隐相关模型和小样本。结果,通过复制成功而学习,特别容易犯下误设(misspecification)和迷信(superstition)的错误。#300

5:研究随机过程的学者都知道,随机变异会造成一些十分惊人、违反直觉的意外(Feller 1968)。这些意外,很多是所谓的首次超越定理(first-passagetheorem),或者竞争上限定理(competitive maximum theorem)的变式。#312

6:组织经常会面临一种选择:一个是老做法(或流程、形式),缺点较多,但是用顺手了;另外一个是新做法(或流程、形式),优点较多,但是不大会用。在这两个选项面前,组织极有可能选择前者。复制成功更有可能加重而非缓解这一问题。#337

7:学习在三个层面同时发生。第一个是学习做什么:寻找好的(或者最好的)技术、战略或合作伙伴,等等。第二个是学习如何做:精练并改进在某技术、战略或合作伙伴上的胜任力。第三个是学习期盼什么:调整绩效目标。#352

8:当经验以让学习有效的方式展开,那么复制成功就会增长智慧。但是,当经验是复杂的、模糊的、充满随机变异的、样本量有限的(情况往往就是如此),那么复制成功——不管是通过试误,还是模仿,或者天择——就有可能导致次优状态。#385

9:长期置身于危险之中但一直安然无恙,人们就会淡忘曾经让自己非常忧心的危险,因此,经验具有双面性,一方面让人们泰然处之,另一方面让人们麻痹大意。#428

10:高智故事和模型是两种压力联合作用的产物。一方面,故事和模型必须精妙复杂到显得有趣并彰显人类智慧;另一方面,故事和模型必须简单到足以让人理解。#461

11:人类偏爱简单的因果关系,认为原因必定在结果附近、大果必定有大因。与比较复杂的分析相比,人类更喜欢涉及有限信息和简单计算的启发式。#481

12:故事和模型经常导致过度拟合的解释,这些解释对随机变异进行事后诠释,对未来没有什么预测力。#507

13:尽管标准的管理畅销书和标准的组织研究文献都声称了解决定组织绩效的各种因素,但是我们几乎不可能不得出结论说(在约定俗成的推断规则之下):大多数有关组织绩效的研究不能有任何把握地理清绩效产生的因果结构。#568

14:第二个神话主题就是层级(hierarchy)神话:问题可以分解成一层一层的子问题,行动可以分解成一层一层的子行动。#601

15:第三个主题是领导者个人举足轻重(individualleadersignificance)神话:任何历史故事要想有意义,都必须和伟人扯上关系;组织历史是组织领导者根据个人意愿创造的。#610

16:第四个神话主题是历史有效(historicalefficiency)神话:历史遵循的路线,通向唯一的均衡,这个唯一均衡由先前条件和竞争共同决定。#618

17:这些神话,很多下面潜藏着一个更大的神话:人类举足轻重,也就是,人类可以通过个体的或集体的智慧行动影响历史进程,让历史按照对自己有利的方向发展。#636

18:因为相信“人类举足轻重”,所以人们倾向于把历史事件归功于或者归咎于人类意愿,进而慷慨地或残忍地对待领导者。#640

19:在现实生活中,比较典型的情况是,真相是模糊的。人们口中所谓的真相,不过是大多数人的共同看法。这种情况的问题比上面提到的《皇帝的新衣》更为严重。#684

20:能够讲述可分享的、有趣的经验故事,是智慧的一个重要标志,对组织参与者而言如此,对学者而言亦如此。能够讲述令人信服的、高智的经验故事,是优秀管理者、优秀研究者和优秀顾问的标志。培养这种能力,是组织的一项主要责任。#755

21:另外,本章把两个假定看成多多少少是不证自明的。第一个假定是,大多数新想法是坏想法,也就是后来会被判定为失败,只有少数几个新想法最后会成功。第二个假定是,没有可靠的方法预测哪个新想法会成功。#794

22:新事物是管理者狂妄自大的副产品,而管理者狂妄自大是高效选拔管理者的副产品。#940

23:一个显而易见的策略,也是工程师投入大量努力的一个策略,就是想办法从大量的新想法中尽早分辨出稀有的好想法。但是,相关证据表明,这个策略没有多大前途,特别是对极其不合常规的想法而言。#990

24:第三,在因果关系复杂、练习机会较少的领域,经验不是好的老师,因为不能可靠地为绩效改进提供清晰的依据。#1042

25:从经验中学习,尽管非常普遍,也屡屡成功,但是有很多限制其效果的问题。这些问题,主要是由经验的三个显著特征造成的。第一个是经验的鲜活性,第二个是启示的模糊性,第三个是诠释的灵活性。#1075

26:在个人和组织看来,直接经验特别鲜活(Fischhoff,1975)。直接经验的鲜活性导致学习者把来自直接经验的信息看得比来自其他渠道的信息重。#1078

27:很多组织在招聘选拔中经常使用个人陈述或者个人面谈等技术。系统而言,这样的直接经验给人的震撼超过了提供的信息应该有的样子,因此往往被赋予过高的权重。#1091

28:第五,历史是吝啬的(miserly),只能提供少量的经验。历史只能提供小样本,因此给推断带来很大的抽样误差。#1119

29:“历史可以为任何事情辩护。历史实际上教不了人们什么东西,因为历史什么都有,不管什么事情都能从中找到例证(quotedinWhite1987,36)。”诠释的灵活性牺牲预测力保全神话框架。#1134

30:第三,组织不求理解复杂的世界,但求创造一个自己可以理解的比较简单的世界。组织不是使用可以自由获取的现成材料,而是创造具有易理解性和易管理性的材料。#1173

31:如果本书的探讨能给读者什么启示的话,那就是从经验中学习是不完美的真相发现手段。#1178







本文转自左其盛博客园博客,原文链接:  http://www.cnblogs.com/zuoqs/p/7989262.html  ,如需转载请自行联系原作者






这篇关于4星|《经验的疆界》:奇书,企业如何从经验中学习的相关论文综述,虽然有点旧但是非常有新意...的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/239476

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

Hadoop企业开发案例调优场景

需求 (1)需求:从1G数据中,统计每个单词出现次数。服务器3台,每台配置4G内存,4核CPU,4线程。 (2)需求分析: 1G / 128m = 8个MapTask;1个ReduceTask;1个mrAppMaster 平均每个节点运行10个 / 3台 ≈ 3个任务(4    3    3) HDFS参数调优 (1)修改:hadoop-env.sh export HDFS_NAMENOD

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

sqlite3 相关知识

WAL 模式 VS 回滚模式 特性WAL 模式回滚模式(Rollback Journal)定义使用写前日志来记录变更。使用回滚日志来记录事务的所有修改。特点更高的并发性和性能;支持多读者和单写者。支持安全的事务回滚,但并发性较低。性能写入性能更好,尤其是读多写少的场景。写操作会造成较大的性能开销,尤其是在事务开始时。写入流程数据首先写入 WAL 文件,然后才从 WAL 刷新到主数据库。数据在开始

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学