L’expertise en évaluation socio-environnementale des entreprises : légitimation et mises à l’épreuve
Notice bibliographique
Résumé
Cet article vise à mieux comprendre le processus de légitimation de l’expertise en évaluation extra-financière. En nous appuyant sur le concept de légitimité, nous étudions les stratégies discursives déployées par les agences d’évaluation socio-environnementale des entreprises pour construire et faire reconnaître leur expertise en la matière. En plus de ces articulations stratégiques, nous explorons leur mise en œuvre et certains de leurs effets au sein du champ, particulièrement sur les entreprises évaluées et les autres acteurs du milieu de la responsabilité sociale des entreprises (RSE). L’analyse des données collectées fait état de diverses stratégies mobilisées au sein des agences d’évaluation pour légitimer leur revendication d’expertise. Les résultats indiquent également que les évaluations produites ont des effets normalisateurs, dans la mesure où, nous semble-t-il, elles participent à la formation d’entreprises et de parties prenantes ayant tendance à se conformer au discours des agences d’évaluation. Autrement dit, au sein des auditoires, on semble tenir pour acquis les capacités des agences à fournir des représentations relativement justes et cohérentes des réalités entrepreneuriales en matière de performance socio-environnementale. Ultimement, nous nous interrogeons sur les conditions de possibilité pouvant favoriser le développement d’un vent de conformisme au sein du champ.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».