文|王健
关键词:科研项目 隐性知识显性化 知识萃取 知识管理
科研项目知识是军工单位的核心知识来源之一,在科研项目进行过程中存在着一部分未被科研人员察觉的隐性知识流失,一定程度上影响了科研成果的产出质量和速度。因而研究科研项目隐性知识显性化模式尤为必要,知识萃取可推进知识的传承与复用,对提升科研成果转化效率意义深远。
科研工作是知识密集型工作,学科综合,创新性强。其对创新的要求高于一般项目,预先研究、型号研制、装备试用评价等研究阶段都蕴含着科研人员丰富的显性知识和隐性知识,产出物为理论创新成果或应用于实践的技术成果。部分科研项目需要运用多学科的知识和技术来激发创造力。科研项目对技术要求较高,通常是研制周期长、环节多的复杂项目,需要跨单位联合研制,协作管理复杂。科研项目知识资源主要来自内外部获取的专业文献、标准与信息等,大多集中在研究成果方面,过程隐性经验极具价值,需要显性化。
基于行业保密性特征,部门墙、专业墙的客观存在,科研项目间可能出现“重复发明轮子”的现状,造成人力、时间、设备等资源的投入浪费。及时将科研项目隐性知识显性化并传递复用,利于科研人员少走弯路,可加快项目进度,提升研发效率。科研项目团队中核心员工退休和离职,可能带来隐性经验的流失。及时对科研项目工作经验和失败教训等有效识别、梳理、归纳、总结、分类和存储,利于缩短新人的培训成长周期,避免知识的流逝和断层。同时,大量极具价值的隐性知识(技能、经验等)都隐藏在科研项目的实施过程中,是激发创新的主要力量。运用知识萃取的方法,通过对各阶段的隐性知识进行识别、共享和利用,能帮助科研人员在立项、技术方案选择、项目过程分析、任务分派时做出更好的决策。
知识萃取的相关方法
1. SECI模型
日本野中郁次郎和竹内弘高在合著的《创造知识的企业:领先企业持续创新的动力》中提到,知识是通过显性知识和隐性知识之间的相互作用而创造出来的,基于以上假设,提出知识转化的四种模式(SECI模型),如图1所示。
(1)社会化(Socialization,从隐性知识向隐性知识转化)。指通过共享经验创造隐性知识的过程,产生共情知识,如共享心智模式和专业技能。即隐性知识可以通过观察、模仿和实践等社会化方式实现个体间隐性知识转化,如学徒制中,徒弟凭经验、模仿和实践学会师傅的手艺。
(2)外显化(Externalization,从隐性知识向显性知识转化)。指隐性知识表述为显性概念的过程,产生概念性知识。即隐性知识通过比喻、类比、概念和假设或模型的形式来显性化表达。
(3)组合化(Combination,从显性知识向显性知识转化)。指将各种概念系统化为知识体系的过程,产生系统性知识。即通过整理、增添、组合和分类等方式对不同的显性知识重新配置,系统化为新的显性知识。如企业收集员工传递的显性知识后对其加工整理,最终浓缩提炼为企业的核心知识。
(4)内隐化(Internalization,从显性知识向隐性知识转化)。指将显性知识体现到隐性知识的过程,产生操作性知识。内隐化与“做中学”密切相关。如员工将获取的显性知识应用于实践,通过个人的亲身体验,内化为个体的新隐性知识(掌握新的技术诀窍)。内隐化作为知识持续发展的基础,通过与显性知识不断动态地相互作用来形成组织知识创造。
2. 联想复盘
联想公司将复盘思想引入企业管理,即在事件完成后展开事件回顾演练、检验和校正目标,分析过程中的得失,深化认识和总结规律,最终提炼存储为组织知识资产,指导或应用于后续事件。
联想复盘模式主要分为四个步骤:一是事件完成后回想最初的目的、要达成的目标和里程碑;二是分析评估完成的结果,观察实际完成目标与最初目标的差异,提炼亮点和不足;三是从主观与客观层面上分析成功关键因素和失败根本原因;四是总结经验与教训,基于分析和结论,拟定对应的行动计划(确认需新开展的工作和继续进行的工作,暂停和淘汰没有价值的工作)。
3. 事后回顾(AAR)
事后回顾(AAR:After Action Review)最早是美国陆军所采用的一项任务完成后的检视方法,通过对已发生的项目、行动和事件进行反思学习,总结经验教训,改进不足,维持优势,以提升下一次团队表现。AAR方法倾向于短平快的即时性团队任务。
在事后回顾的具体实践中,所有参加者在完成一项重要项目后聚集在一起,讨论四个重要问题:一是原定的任务与目标是什么;二是实际发生了什么情况;三是为什么会发生这些情况;四是下次我们将怎么做。在回答问题的过程中萃取经验,并视情况将相关经验显性化为学习资料、管理制度或规范,以提升整个组织的战斗力。
知识萃取的实施步骤
1. 识别需求,明确知识萃取具体任务
根据组织战略、业务、项目、管理、员工反馈等渠道收集需求,并通过四象限分析法识别出当前关键需求。四象限分析法将横坐标定义为能获取的收益高低,将纵坐标定义为实施的难易程度,从右上角至左下角画弧分为“优先发展、充分关注、等待机会、最后考虑”四个区间,如图2所示。优先解决实施难度低但收益高的需求(需求2),其次是实施难度较收益比相对容易的需求(需求3)。
围绕需求,明确知识萃取的需求背景、现状、涉及的岗位或人群,并描述知识萃取任务。即科研人员通常在哪些情况下会遇到问题,具体指什么问题,一般会如何解决问题或者询问谁能得到帮助。如果解决的效果不理想,再分析基于以上背景需要从哪些方面萃取相应知识来改进,保证下次能顺利规避或解决相同问题。
2. 确定目标、对象及计划
(1)资料收集与解读。根据任务描述,收集尽可能详尽的素材,包括但不限于科研项目背景、项目情况介绍、立项方案策划、实施方案、验收方案、成果鉴定等过程文档,以及项目总结等。
(2)确定目标。基于任务描述,解读相关资料,分析科研项目痛点和难点,以及期望达到的目标。
(3)确定对象和计划。根据科研项目需解决的问题,确定需访谈的专家、骨干员工等。并结合痛点问题、人员协调、资料收集与解读的难易程度,制订初步计划。
3. 实施过程
该阶段可借鉴SECI模型、联想复盘、事后回顾等模型方法,依据工作计划,进行项目经验(或教训)的深度挖掘和萃取。
在进行项目回顾时,需要对不同的项目负责人或项目成员进行访谈,访谈方式可采用开放性的行为回顾探索方法,如行为事件访谈法,如表1所示。即针对某一情景,选择在当时情境下表现优秀和表现一般的员工为访谈对象分组访谈,并对比分析访谈结论,以观察识别导致表现出现差异的关键行为特征,继而演绎成某事件的解决方法。
4. 成果整理提炼
该阶段对实施准备及过程中获取的素材消化吸收并提炼加工,最终萃取出有用的内容,比如以解决某个问题或完成某项任务为导向形成以流程规范指引为重点的模板,如表2所示;或形成以经验教训萃取为重点的模板,如表3所示。
5. 成果转化
在完成科研项目隐性知识萃取后,一方面考虑将其融入流程、规范指南中,并录入知识库,供科研人员参考和应用;另一方面对知识成果进行宣传、推广,例如项目回头看、年度培训计划、专业研讨会等,确保科研项目知识能够共享至合适的群体,通过借鉴应用让知识价值最大化。
四条具体实践建议
1. 规范隐性知识获取流程
隐性知识通常隐藏在业务流程中,不易被察觉,需在流程中显性化以指导工作开展。
一是识别关键流程节点。对科研项目进行工作任务分解和梳理,将产生核心知识的关键流程节点识别出来,制定常态化机制,规范过程性成果提交动作,利于将可能遗漏的隐性知识显性化出来。二是设计科研项目常用知识场景。梳理并萃取典型业务场景中知识点或知识点需求,形成知识检查表,帮助科研人员查漏补缺,及时更新知识。三是编制隐性知识源分布图。引导员工有意识地识别工作过程中可能产生的隐性知识,并总结存储。
2. 提高知识萃取信息化效率
借助先进的信息化工具和技术来提高知识萃取效率。
一是搭建知识共享平台,构筑科研项目知识共享网络。集成知识库,建立知识交流社区,实现专家和员工双向交流,在问答过程中充分挖掘分享的经验、优秀做法。同时设置专员,根据不同技术专业特点,建立专业性主题模块,定期梳理热点话题,整合为知识专辑,在社区范围内共享。二是自定义知识模板。知识模型是知识抽象,是知识显性化的基础。利用知识工程软件系统,依据不同知识对象和属性特点,设计不同知识模板,引导员工对关键知识按照模板进行显性化表达,提升知识萃取效率。三是让数据发声。在大数据时代下,引用数据挖掘技术,基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等,揭示数据背后隐藏的具备潜在价值的知识。
3. 营造知识共享文化氛围
一是建立一套完善、合理的激励机制。量化员工知识贡献,满足知识贡献者利益需求,激发其隐性知识显性化内生动力。可采取以下措施:提供物质性报酬激励,给予奖金或奖品;提供成长性事业激励,给予人才进修(优先培训资格)或晋升资格加分;提供精神性荣誉激励,给予行政嘉奖或知识冠名等。二是组织多样化知识运营活动。在活动中激发员工知识共享热情,沉淀知识内容,如开展科研项目案例挖宝活动、知识问答活动、“谁是科研大牛”比赛,知识热点专题活动等。
4. 助力科研隐性知识显性化呈现和共享
一是及时沉淀交流中产生的隐性经验。科研项目实施过程中,组织开展头脑风暴、学术交流、报告讲座等活动,使科研人员脑中的经验得以表达,并形成相关记录共享至相关人员。二是及时更新流程知识库,包括但不限于科研项目实施过程相关的经验教训、重要问题的解决思路与方法、关键步骤、参考标准等,避免科研团队重复花费时间解决类似问题。■
主要参考文献
[1] 李柳.国防科研项目管理中的知识管理方案设计[D].南京:南京航空航天大学,2009.
[2] 野中郁次郎,竹内弘高.创造知识的企业:领先企业持续创新的动力[M].吴庆海,译.北京:人民邮电出版社,2019.
[3] 田锋.智能制造时代的研发智慧:知识工程2.0[M].北京:机械工业出版社,2017.
作者单位 中国航空制造技术研究院
|