Following these arguments, Foster &

Following these arguments, Foster & Sjoblom(1996) address quality improvement drivers. They discuss the traditional learning curve of quality improvements in organisations, but broaden the discussion of learning by introducing the distinction
between autonomous and induced learning (Dutton& Thomas, 1984) in production and operations in organisations. They find that up-stream variables such as product design, infrastructure, supplier and customer-related variables are key drivers of quality improvement, and support a much broader perspective than the traditional ‘learning-by-doing’ (the traditional learning curve model), or the autonomous learning, which may be supplemented by induced learning. Ittner et al. (2001) find more support for quality-based learning models that assume learning as a function of both proactive investments in quality improvement and autonomous learning-by-doing,than for models that assume learning as a function of reactive investments in quality improvement alone.They find that benefits from different types of prevention expenditure vary, and that past non-conformance expenditures provide learning opportunities that allow the organisation to cope more efficiently with future failures, thereby reducing subsequent non-conformance costs。

結果 (中文) 1:

之后这些论据，福斯特 & Sjoblom(1996) 解决了质量改进的驱动程序。他们讨论传统的学习曲线的质量改进组织的成员，但通过引入区别拓宽学习的讨论自主和诱导之间在生产和在组织中的行动学习 (Dutton & 托马斯，1984年)。他们找到向上流变量，如产品设计、 基础设施、 供应商和客户相关的变量是质量改进的关键驱动因素，并支持更广泛的角度来看比传统 ' 学习边学 （传统的学习曲线模型） 或自主的学习，可由诱导学习补充。伊特纳等人 （2001 年） 基于质量的学习模型假定作为函数的两个积极的投资在质量改进和自主学习的做，学习比独自承担学习作为质量改进的无功投资函数的模型找到更多的支持。他们发现，不同类型的预防支出受益不尽相同，和过去的不符合项支出提供学习的机会，使组织更有效地应付未来的失败，从而减少后续的不符合项费用。

結果 (中文) 3:

以下这些争论，Foster &斯洛姆（1996）地址质量改进的驱动程序。他们讨论了传统的学习曲线的质量改进的组织，但扩大讨论的学习引入的区别在自治和归纳学习（Dutton &托马斯，1984）在生产和经营的组织。他们发现，流变量，如产品设计，基础设施，供应商和客户相关的变量是质量改进的关键驱动因素，并支持一个更广泛的角度来看比传统的“学习”（传统的学习曲线模型），或自主学习，这可以补充诱导学习。伊特纳等人。（2001）找到更多的支持质量为基础的学习模式，假设学习作为一个功能的积极投资，质量改进和自主学习的方法，比模型，假设学习作为一个功能的反应性投资在质量改进，他们发现，从不同类型的预防支出的好处不同，和过去的非一致性支出提供的学习机会，使组织能够更有效地应对未来的失败，从而减少后续的不一致性成本。