Modelo de capital estructural para Universidades basado en el modelo de fusión de datos JDL y la calidad de la información

Abstract

Abstract: Intellectual capital is one of the most critical intangible active assets for universities, and there are multiple models to value it through the human, structural, and relational components. For the assessment of the structural component in higher education institutions, this study proposes a model that combines the assessment of the quality of information and the JDL data fusion model (joint directors of laboratories), which has been used in applications military. [...]it evaluates the quality of the information, its traceability, and context to refine the process and obtain a more objective assessment taking into account the imperfection of the information for decision-making in the management of impact and risk. The model not only allows the assessment of structural capital, but also supports decision-making based on the quality of information and its impact.

Headnote

Resumen: El capital intelectual es uno de los mas importantes activos intangibles para las universidades y existen múltiples modelos para valorarlo a través del componente humano, estructural y relacional. Sin embargo, este es un campo abierto de investigación que aun demanda nuevas soluciones para valorarlo de manera efectiva desde cada uno de sus componentes. Para la valoración del componente estructural en las instituciones de educación superior, este estudio propone un modelo que combina la valoración de la calidad de la información y el modelo de fusión de datos JDL (Joint Directors of laboratories), el cual ha sido ampliamente utilizado en aplicaciones militares. El modelo propuesto es original en los métodos usados y su asociación, distribuidos en seis niveles que ejecutan el pre-procesamiento de la información, valoración de objetos, valoración de la situación y el riesgo, y el refinamiento del proceso. Además, se evalúa la calidad de la información, su trazabilidad y el contexto, con el fin de refinar el proceso y obtener una valoración más objetiva considerando la imperfección de la información para la toma de decisiones en la administración del impacto y el riesgo. El modelo no solo permite la valoración del capital estructural, sino también apoya la toma de decisiones basada en la calidad de la información y su impacto. La funcionalidad del modelo es descrita en cada uno de sus niveles.

Palabras-clave: Calidad de la información; capital intelectual, capital estructural, fusión de datos, modelo JDL.

Abstract: Intellectual capital is one of the most critical intangible active assets for universities, and there are multiple models to value it through the human, structural, and relational components. However, this is an open field of research that still demands new solutions to assess it effectively from each of its components. For the assessment of the structural component in higher education institutions, this study proposes a model that combines the assessment of the quality of information and the JDL data fusion model (joint directors of laboratories), which has been used in applications military. The proposed model is original in the methods used and their association, distributed in six levels that execute the pre-processing of the information, valuation of objects, valuation of the situation and the risk, and the refinement of the process. Besides, it evaluates the quality of the information, its traceability, and context to refine the process and obtain a more objective assessment taking into account the imperfection of the information for decision-making in the management of impact and risk. The model not only allows the assessment of structural capital, but also supports decision-making based on the quality of information and its impact. The functionality of the model is described by levels.

Keywords: Information quality, intelectual capital, structural capital, Data fusion, JDL model.

(ProQuest: ... denotes formulae omitted.)

1.Introducción

El capital intelectual (CI) tiene como objetivo valorar los activos intangibles de las organizaciones y es clasificado usualmente por tres componentes (Capital Humano -CH, Capital Relacional - CR y Capital Estructural -CE (Cricelli, 2018). Actualmente existen múltiples modelos de capital intelectual, sin embargo debido a la dinámica de cambio permanente de las organizaciones y su contexto, este es un campo abierto de investigación. En el contexto de la sociedad del conocimiento, las Instituciones de Educación Superior (IES) tienen una contribución decisiva a la producción científica y económica, de ahí la necesidad de orientar sus procedimientos para maximizar su aportación a la sociedad (Bueno et al., 2003) y demandan un interés explícito por controlar y fortalecer su CI reconociendo sus activos intangibles que generan valor (Torres-Narváez M, Cruz-Velandia I, 2014).

La literatura reporta múltiples modelos de capital intellectual, algunos de ellos destinados a la captura de las dimensiones dinámicas de activos intangibles y recursos basados en conocimiento para identificar cómo las IES pueden crear valor, evaluar el desempeño ( Cricelli et al., 2018; Parshakov & Shakina, 2017; Veltri et al., 2014) y el CI (Bezhani, 2010; Bueno et al., 2003; Cañibano & Sanchez, 2008; Santos Peñalver et al., 2011; Veltri & Silvestri, 2011), y unos pocos han investigado la relación existente entre el CI de las universidades y su desempeño (Bratianu, 2009; Bueno, Salmador, & LongoSomoza, 2014; Kianto, 2007; Secundo et al., 2016), lo que indica que hasta la fecha, no se ha prestado suficiente atención al análisis cuantitativo del proceso de creación de valor del CI en las universidades (Cricelli et al., 2018). Actualmente, no existe un marco internacional común para la gestión de la información sobre los determinantes intangibles de valor agregado, sólo las iniciativas dispersas en todo el mundo (RamirezCorcoles & Manzaneque-Lizano, 2015). por lo que es apropiado abordar el diseño y el desarrollo de modelos que ayuden a las IES a identificar, medir y monitorear sus fuentes intangibles de valor para mejorar la eficiencia y la eficacia de la gestión de su CI y a la vez, contribuyan a mejorar su desempeño. La valoración del CI esta basada de múltiples medidas que dependen de la calidad de la información (IQ). Sin embargo, la IQ hasta nuestra revisión, no ha sido considerada dentro de los modelos de valoración de CI a pesar de que la IQ ha sido ampliamente estudiada desde múltiples estudios lo que ha llevado a la comunidad a proponer múltiples metodologías (Stvilia, 2007; Ge, 2011, Moges, 2013) y crear la norma ISO/IEC 25012 para su manejo. Por lo anterior, nosotros consideramos que la influencia de la IQ sobre la valoración del CI y por consiguiente del CE permite realizar una toma de decisiones mejor informadas y a develar necesidades de mejoramiento en los procesos de la organización con el fin de obtener medidas de valoración con menor incertidumbre y mejorar el desempeño organizacional. Adicionalmente, no se reportan modelos de CI que consideren el contexto organizacional como variables que afectan su valoración.

En este artículo se aborda esta problemática considerando el componente CE del CI, presentando un modelo para su valoración en IES, el cual está basado en el modelo de fusión de datos JDL (Steinberg et al., 1991), la calidad de la información y el contexto con el fin de entregar al usuario valoraciones con menor incertidumbre, lo cual permite la toma de decisiones con información con mas baja incertidumbre. Los principales aportes del modelo propuesto corresponde a la inclusión de nuevos criterios para la valoración del CE en las IES, la definición de criterios para valoración de la IQ en el marco de la información disponible en las IES y la estrategia global de fusión de datos para disminuir la incertidumbre basada en la iQ considerando los 6 niveles del modelo de fusión de datos para aplicaciones militares JDL. La funcionalidad del modelo fue descrita y ejemplificada en el marco de una estructura organizacional resumida y común a múltiples Universidades Colombianas considerando diferentes niveles de IQ, lo cual permitió demostrar su potencialidad respecto a otros modelos que valoran el CE. El resto del artículo está estructurado como sigue: en la sección 2 se presentan los materiales y métodos en donde se describe detalladamente el modelo propuesto y su metodología de uso. En la sección 3 se ejemplifica el uso del modelo propuesto. Finalmente, en la sección 4 son presentadas las conclusiones y trabajo futuro.

2.Materiales y métodos

2.1. Capital estructural

El capital estructural es uno de los tres componentes del modelo intellectus y evalúa el activo intangible proveniente de la cultura y recursos intelectuales acumulados de la organización tales como procesos, conocimiento, capacidades, tecnología entre otros (Secundo et al., 2016) que soportan y gestionan los demás componentes del capital intelectual. Particularmente en las IES el CE permea las funciones sustantivas (docencia, investigación y extensión) permitiendo gestionarlos para obtener desempeños deseados, certificaciones y acreditaciones (Cricelli, 2018).

2.2. Modelo JDL

El modelo JDL es el más utilizado en el campo de fusión de datos y fusión de la información. Este modelo consta de 6 niveles de procesamiento como se ilustra en la Figura 1 y que son ampliamente descritos en (Steinberg et al., 1991). i) Nivel 0 - preprocesamiento en este se realiza una preselección y limpieza de los datos. ii) Nivel 1 - valoración del objeto: esta consiste en identificar y rastrear objetos y extraer atributos de los mismos. iii) Nivel 2 - valoración de la situación: realiza procesos que permiten una contextualización de una situación a partir del relacionamiento de los resultados obtenidos en los niveles anteriores. iv) Nivel 3- valoración del riesgo: en este nivel se realizan predicciones a futuro determinando riesgos, impactos y oportunidades que permiten generar respuestas. v) Nivel 4 - refinamiento del proceso: este ejecuta acciones para sintonizar los procesos en todos los niveles del modelo de fusión de datos. vi) Nivel 5- refinamiento del usuario: aquí se realiza una intervención humana como apoyo al sistema y permite la representación del conocimiento. Adicionalmente se cuenta con un sistema de administración de datos e información el cual interviene a lo largo de toda la cadena de procesamiento.

3.Modelo propuesto

En la Figura 2 se muestra la arquitectura del modelo de fusión de datos propuesto para la valoración del capital estructural. A diferencia del modelo JDL descrito en la sección anterior este cuenta con un bloque para la valoración de la calidad de la información el cual realiza trazabilidad de la IQ a lo largo de toda la cadena de procesamiento. Además cuenta con una sección de identificación del contexto lo cual resulta en un apoyo fundamental para la dinámica y contextualización de la valoración del capital estructural. A continuación se explica cada nivel del modelo propuesto: i) Nivel 0: en este seleccionan los datos, se filtran eliminando datos defectuosos o atípicos y se aplican técnicas para aproximar datos inexistentes o eliminados basados en históricos de información. ii) Nivel 1: En este nivel se calculan características basadas en las medidas obtenidas en los diferentes departamentos de la IES y se utilizan técnicas de transformación de los datos que permiten develar o representar la dinámica subyacente del fenómeno comportamental del capital estructural en las diferentes dependencias a través del tiempo. Las características que se proponen en este modelo son presentadas en la siguiente subsección. Adicionalmente en este nivel, se aplican técnicas de predicción con el fin de identificar agentes generadores de valor del capital estructural y se realizan identificaciones de objetos del contexto que pueden afectar los siguientes niveles del modelo. iii) Nivel 2: en este se realiza la valoración de la situación en donde usando técnicas de clustering se identifican relaciones entre los diferentes agentes y características identificadas en los niveles anteriores. También se aplica un sistema de inferencia difusa (FIS) para establecer reglas dadas por expertos que establezcan la valoración de la situación y del riesgo en conjunto teniendo en cuenta la IQ a lo largo de toda la cadena de procesamiento. iv) Nivel 3: usando el FIS aplicado en el nivel anterior se valora el impacto y/o el riesgo de los resultados obtenidos de la valoración del capital estructural considerando resultados obtenidos de predictores en ventanas de tiempo y la valoración de la calidad de la información. v) Nivel 4: en este nivel se ejecutan ajustes con el fin de refinar el procesado de los datos basado principalmente en los requerimiento de usuario respecto a la IQ. vi) Nivel 5: el usuario complementa el refinamiento del proceso manualmente es opcional y su intervención puede limitarse a establecer sus requerimientos para poder optimizar el proceso.

En la figura 3 se muestra la metodología a seguir la para la ejecución del modelo. Primero se debe analizar la IES y realizar agrupaciones ya sea por dependencias o por funciones sustantivas. Luego se procede a la adquisición de las medidas en cada uno de los grupos. Para modelar el sistema de valoración de la calidad de la información se debe adicionar imperfección a los datos generando diferentes bases de datos con la valoración respectiva de la calidad de la información. El modelado se realiza de acuerdo a lo explicado en la subsección anterior y se ejecuta de manera local siguiendo lase tapas de la metodología. Luego se realiza el preprocesamiento de los datos realizando filtrado y normalización de los mismos. También se puede requerir aplicar técnicas de predicción para estimar los datos perdidos. Se jerarquizan los grupos y la información como parte de la información del contexto en conjunto con información de las características diferenciadoras de cada grupo. En paralelo se puede realizar la identificación de las medidas relevantes para valorar el CE en cada grupo realizando un análisis de relevancia aplicando técnicas estadísticas o técnicas de selección de características ponderadas para determinar el nivel de relevancia y/o la cantidad de información entregada por cada medida. Luego se realiza la valoración del CE por grupo y de manera global a partir de las métricas establecidas para cada criterio de valoración del CE sin considerar el contexto y en paralelo se realiza lo propio, para valorar el contexto de manera local y global. Finalmente, se construye un sistema de inferencia difuso para valorar la situación y el riesgo/impacto a partir de la información obtenida del contexto, la valoración del CE y la IQ, lo cual permite entregar un valoración del CE mas objetiva e informada de manera global pero con trazabilidad en lo local. Mas adelante se ejemplifica el funcionamiento del modelo y la metodología usando un ejemplo detallado para las IES.

3.2.Criterios para valoración del capital estructural

En la Tabla 1 se presentan los criterios y métricas para la valoración del CE en las IES. Estos están basados en los criterios reportados en (Cricelli et al. 2018; Londoño et al, 2018) y se propone un set de criterios y métricas los cuales están enfocados a la medición de modelos aplicados, metodologías aplicadas y repositorios como herramienta de colección y publicación de tesis.

3.3. Valoración local del capital estructural

La valoración local del CE es realizada aplicando las métricas expuestas en la tabla 3 para valorar cada criterio. Los criterios con sus respectiva métricas deben ser seleccionados considerando la función de cada grupo, el cual podría ser un departamento, una facultad, un grupo de investigación etc. La valoración local del CE para cada nivel de fusión de datos se lleva a aplicando la siguiente ecuación: VLCEl = VanVLCEnL donde VLCEnL = Z WjCrj y n es el grupo, L el nivel del modelo de fusión de" datos, an es la ponderación dada a cada grupo, Cr; el i-ésimo criterio a evaluar, wi el factor de ponderación del criterio respectivo. Cada criterio es evaluado a partir de las métricas como por Cr; = Z p^metricaj donde metricaj corresponde al j-esima métrica establecidas para evaluar el respectivo criterio y pi corresponde al factor de ponderación de cada una de las métricas.

3.4.Criterios de calidad de la información

La IQ es una variable multidimensional la cual es caracterizada por múltiples criterios y su selección depende de la aplicación y de los requerimientos de usuario (Mendes, 2012). Cada criterio debe ir en concierto con las métricas usando información del contexto. Los criterios y medidas no son necesariamente independientes entre ellos, por lo cual se debe realizar un análisis de dependencia para evitar conflictos entre las variables y efectos negativos sobre la valoración de la IQ. Además se debe considerar la existencia de una jerarquía entre los criterios teniendo en cuenta el contexto, aplicación y usuario (Rogova, 2010) y su selección debe considerar el costo de su valoración (Haug, 2011). En este modelo se propone el uso de la metodología "Total Data Quality Management-TDQM cycle" la cual se compone de 4 etapas principales: i) Definición: esta identifica las necesidades del usuario y establece los criterios de calidad. ii) Medición: determina y aplica las métricas de calidad. iii)Análisis: identifica los problemas e impacto de las medidas de calidad. iv) Mejoramiento: realiza diferentes procedimientos para mejorar la calidad de la información (Wang, 2002). Esta metodología fue aplicada en un ambiente de fusión de datos para interfaces humano computador (Becerra et al, 2018) para lo cual en este modelo se sugiere seguir un procedimiento similar. En la Tabla 2 se presentan los criterios de IQ con sus respectivas métricas propuestas para cada uno de los niveles del modelo. Estas fueron seleccionadas teniendo en cuenta el tipo de datos que manejan las IES, que en su mayoría son datos numéricos de acuerdo a los criterios para la valoración del CE y datos del contexto los cuales son datos estructurados de tipo texto o numérico o datos cualitativos.

3.5.Valoración y trazabilidad de la calidad de la información

La valoración de la calidad de la información es ejecutada estimando los criterios presentados en la Tabla 2 a partir de sus respectivas métricas representadas por el vector q (contiene las métricas de calidad para cada dato) y calculando la calidad de la información por cada nivel. Las IQL (calidades locales) para el nivel 0 (IQLo) y 1 (IQL1) es calculada usando la ecuación (1) pero ajustando los parámetros de ponderación (wxy) para cada nivel. El nivel 2 y 3 aplican la ecuación (2) pero con sus respectivos parámetros de ponderación y métricas de calidad q. El número de métricas s puede diferir entre cada nivel.

... (1)

Donde wGn corresponde a la ponderación dada a cada grupo como aporte al capital estructural, los IQ son definidos como

...

donde m, p y r son el número total de métricas establecidas para el grupo 1, 2 y n respectivamente. Cr corresponde al criterio evaluado por el conjunto de métricas.

... (2)

La trazabilidad de la IQ es llevada a cabo a partir de la generación de funciones que relacionan las entradas y la valoración de su calidad respecto a las salidas y su calidad. Lo anterior se realiza en todos los niveles como se ilustra en la figura 4. En el nivel 0 y el nivel 1 se obtiene una función para cada grupo (función sustantiva o dependencia). En el nivel 2 se integran como entradas todas las salidas de todos los grupos obtenidas en el nivel 1. En el nivel 3 se toman como entradas las salidas del nivel 2. Estas funciones permiten realizar una predicción de la calidad de la información, mantener una trazabilidad y poder realizar procesos de optimización para mejorar las IQ en las salidas de cada uno de los niveles del modelo propuesto.

3.6.Valoración global del capital estructural

La valoración global del capital estructural es llevada a cabo a partir de la evaluación de un conjunto de reglas que utilizan unos antecedentes que consideran los resultados obtenidos de las valoraciones locales del modelo de fusión de datos tanto de la calidad de la información como de la valoraciones locales del CE. Estas reglas son reglas difusas establecidas a partir de un conocimiento experto y son expresadas como se muestra en la siguiente regla general Si VLCE0 es Al y VLCE1 es Bl y VLCE2 es Ci y IQLo es Di y IQL1 es El y IQL2 es Fi y IQL3 es Gi y Contexto es Hi y Riesgo es Ki, Entonces CE = Rx, donde A1, B1, C1, D1, E1, F1, G1, H1 y K1 son las categorías de la funciones de membresía de entrada para cada variable y Rx es la categoría de las funciones de membresía de salida. Las reglas se deben establecer a partir del conocimiento experto y considerando todas la posibilidades respecto a las categorizaciones de entrada y salida. Finalmente, bajo un histórico de información de información suficientemente amplio las reglas pueden ser refinadas usando técnicas como los sistemas de inferencia neuro-difuso adaptativo o un razonador basado en casos.

4.Ejemplo de valoración del CE usando el modelo propuesto

Para determinar la valoración del CE global se debe seguir la metodología presentada en la figura 3. Nuestro ejemplo viene de la experiencia y conocimiento de mas de 20 años como docentes y administrativos en IES de Colombia a partir de lo cual se toman como ejemplo la generalidad presentada de forma resumida de las estructuras organizacionales de las IES en que se involucra el CE (ver figura 5).

Teniendo en cuenta la estructura organizacional presentada en la figura 5, primero se debe recolectar las medidas para la valoración del CE en cada dependencia a partir de una previa caracterización y se procede a realizar las medidas de calidad considerando el nivel 0 del modelo para los datos sin procesar. Luego se procede aplicar técnicas de pre-procesamiento para detectar datos faltantes, realizar imputaciones, normalización, estandarizaciones y estructurar la información. Adicionalmente, cada dependencia debe ser caracterizada en su contexto. Luego se evalúa la IQ de los datos pre-procesados, los resultados de las evaluaciones de IQ deben ser almacenados en una base de datos conectada a los datos en sus diferentes niveles de procesamiento. Técnicas de reconocimiento de patrones como redes neuronales son aplicadas para identificar patrones a partir de los datos recolectados en el nivel 1. Así en cada dependencia se tiene valoraciones en el nivel 0 y el nivel en conjunto con su respectiva valoración del contexto y de la calidad de la información. Luego se deben establecer un conjunto de reglas para establecer la situación y el riesgo y la valoración del CE considerando los resultados anteriores (contexto, IQ, situación y riesgo) lo cual es llevado bajo valoraciones obtenidas de expertos en CE de las IES usando el método DELPHI o similar. Finalmente, el sistema experto es implementado usando un sistema de inferencia difuso el cual entregará la valoración del CE al usuario final. Los resultados de las valoraciones de la IQ en cada nivel es utilizado para la construcción de una función de regresión por cada nivel las cuales son utilizadas para optimizar la calidad de la información durante el procesamiento ajustando los parámetros libres de las técnicas procesamiento aplicadas. Como técnicas de optimización se recomienda el uso de algoritmos heurísticos multiobjetivo con el fin de optimizar simultáneamente varios criterios de IQ de acuerdo a los requerimientos de usuario.

4. Conclusiones y trabajo futuro

En este artículo se propone un modelo para la valoración del CE, el cual está basado en la calidad de la información y el modelo de fusión de datos JDL. En el estudio se presentan y proponen nuevos criterios para la valoración del CE y se establecen un conjunto de criterios de calidad de la información para evaluar la IQ en cada nivel del modelo propuesto, donde se destaca la valoración de la situación a y el riesgo e impacto como factores relevantes para la valoración del CE. La aplicación del modelo es descrita considerando la estructura organizacional típica de una IES de Colombia y se muestra la funcionalidad de cada uno de niveles y la valoración y trazabilidad de la calidad de la información para optimizar el procesamiento de los datos y lograr entregar al usuario final valoraciones del CE mejor informadas decrementando el nivel de incertidumbre. Como trabajo futuro, se propone complementar el modelo evaluando otros criterios de calidad de la información y utilizar la evaluación de su calidad como función objetivo para optimizar los parámetros de las funciones o modelos utilizados en cada uno de los niveles de fusión y generar una adaptación en línea que permita al modelo capturar las variaciones de las valoraciones del CE longitudinalmente. Además se debe validar con datos reales en diferentes IES para comprobar su generalidad. Finalmente, este modelo puede ser ampliado para la valoración del capital humano y el capital relacional en las universidades.

References

Referencias

Becerra M.A., Alvarez-Uribe K.C., Peluffo-Ordoñez D.H. (2018) Low Data Fusion Framework Oriented to Information Quality for BCI Systems. In: Rojas I., Ortuño F. (eds) Bioinformatics and Biomedical Engineering. IWBBIO 2018. Lecture Notes in Computer Science, vol 10814. Springer, Cham

Bezhani, I. (2010). Intellectual capital reporting at UK universities. Journal of Intellectual Capital, 11(2), 179-207. https://doi.org/10.1108/14691931011039679

Bratianu, C. (2009). THE INTELLECTUAL CAPITAL OF UNIVERSITIES. Annals of the University of Oradea: Economic Science (Vol. 1).

Bueno, E., Ortega, P. M., Pomeda, J. R., & Torre, M. Á. L. D. La. (2003). Gestión del Conocimiento en Universidades y Organismos Públicos de Investigación. Universidad de Madrid, 15-57.

Bueno, E., Salmador, M. P., & Longo-Somoza, M. (2014). Advances in the identification and measurement of Intellectual Capital and future developments in the Intellectual Capital research agenda: experience of the Intellectus Model and proposal of a synthetic index. Knowledge Management Research & Practice, 12(3), 339-349.

Cañibano, M. L., & Sanchez, P. (2008). Intellectual Capital Management and Reporting in Universities and Research Institutions Intellectual Capital Management and Reporting in Universities and Research Institutions 1, 26(December 2005), 7-25.

Cricelli Livio, Greco Marco, Grimaldi Michele, Llanes Dueñas Leidy Paola, (2018) "Intellectual capital and university performance in emerging countries: Evidence from Colombian public universities", Journal of Intellectual Capital, Vol. 19 Issue: I, pp.71-95.

Ge Mouchi, Helfert Markus,and Jannach Dietmar. 2011. Information Quality Assessment: Validating Measurement. In ECIA 2011 Proceedings. 19th European Conference on Information Systems - ICT and Sustainable Service Development, ECIS2011,Helsinki,Finland.

Haug, A., Haug, A., Zachariassen, F., van Liempd, D.: The costs of poor data quality. J. Ind. Eng. Manag. 4(2), 168-193 (2011)

Kianto, A. (2007). What do we really mean by dynamic intellectual capital? International Journal of Learning and Intellectual Capital (Vol. 4). https://doi.org/10.1504/ IJLIC.2007.016332

Londoño Montoya Erika María, Mora González Beatriz, Tobón Montoya Henry, Becerra Botero Miguel Alberto, Cadavid Juan Sebastian, (2018). Modelo de Capital intelectual para la función de investigación en las universidades colombianas, Revista Opción, Vol. 34 (2018), ISSN: 1012-1587

Mendes, P.N., Mühleisen, H., Bizer, C.: Sieve: linked data quality assessment and fusion, pp. 116-123 (2012)

Moges Helen-Tadesse, Dejaeger Karel, Lemahieu Wilfried, and Baesens Bart. 2013. A multidimensional analysis of data quality for credit risk management: New insights and challenges. Information & Management 50, 1 (jan 2013), 43-58. https://doi. org/l0.10l6/J.IM.2012.10.001

Parshakov, P., & Shakina, E. A. (2017). With or without CU: A comparative study of efficiency of European and Russian corporate universities. Journal of Intellectual Capital, 19(1), 96-111.

Ramirez-Corcoles, Y., & Manzaneque-Lizano, M. (2015). The relevance of intellectual capital disclosure: empirical evidence from Spanish universities. Knowledge Management Research & Practice, 13(1), 31-44.

Rogova, G.L., Bosse, E.: Information quality in information fusion. In: 2010 13th International Conference on Information Fusion, pp. 1-8 (2010)

Santos Peñalver, J. F., Tejada Ponce, Á., & Ramírez Córcoles, Y. (2011). Intellectual capital in Spanish public universities: stakeholders' information needs. Journal of Intellectual Capital, 12(3), 356-376.

Secundo, G., Dumay, J., Schiuma, G., & Passiante, G. (2016). Managing intellectual capital through a collective intelligence approach. Journal of Intellectual Capital, 17(2), 298-319. https://doi.org/10.1108/JIC-05-2015-0046

Steinberg A., Bowman C., and White F. (1991). Revisions to the JDL Data Fusion. Data Fusion Lexicon by JDL (1991).

Stvilia, B., Gasser, L., Twidale, M.B., Smith, L.C.: A framework for information quality assessment. J. Am. Soc. Inf. Sci. Technol. 58(12), 1720-1733 (2007)

Torres-Narváez M, Cruz-Velandia I, H.-J. J. (2014). Gestión del conocimiento: experiencias de instituciones académicas y hospitalarias, 12(2), 169-181.

Veltri, S., Mastroleo, G., & Schaffhauser-Linzatti, M. (2014). Measuring intellectual capital in the university sector using a fuzzy logic expert system. Knowledge Management Research & Practice, 12(2), 175-192.

Veltri, S., & Silvestri, A. (2011). Direct and indirect effects of human capital on firm value: evidence from Italian companies. Journal of Human Resource Costing & Accounting, 15(3), 232-254.

Wang, Y.R., Ziad, M., Lee, Y.W.: Data Quality. Kluwer Academic Publishers, Dordrecht (2002)