Proposition d’un modèle de construction du capital humain en milieu organisationnel
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Les études sur le capital humain, menées jusqu’à présent, ont bien révélé son importance pour les organisations. Cependant, sa construction en milieu de travail demeure peu explorée. Même les recherches sur son modèle sont peu nombreuses. Pour comprendre les variables à prioriser, une étude auprès des praticiens et théoriciens tchadiens de GRH a été réalisée. Nous avons appliqué la méthodologie mixte. La production des données a été réalisée au moyen de 11 entrevues semi-structurées et 178 sondages par enquête. L’approche de déconstruction par étape du processus de construction du capital humain, de l’accueil à la permanence, a été utilisée. Les résultats ont montré qu’à l’étape d’accueil du capital humain en milieu organisationnel, les pratiques d’encadrement favorisent les compétences pour exécuter, de façon structurée, les tâches. Ensuite, à l’étape d’intégration, les pratiques d’encadrement et les investissements en formation sont deux leviers d’efficacité. Enfin, à la phase de permanence, nous avons constaté un apport indéniable des investissements en formation, mais ce sont surtout des occasions d’expérience et l’environnement agile qui favorisent la construction de meilleurs talents, en milieu du travail. L’article est utile pour les chercheurs qui trouveront une définition renouvelée du capital humain avec de nouvelles variables et items éprouvés et qui se révèlent plus pertinents. Tandis que les gestionnaires et les consultants trouveront de nouvelles variables permettant de bonifier et valoriser efficacement le capital humain en milieu de travail. Le présent article s’inscrit dans la théorie des ressources et la théorie des compétences [...]
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 découle