Diffusion émodécisionnelle non-programmée : le rôle des leaders d’émotions et de la résistance émotionnelle des suiveurs
Notice bibliographique
Résumé
Des recherches ont montré qu’une décision ne peut être prise en excluant les émotions de l’équation, pendant que d’autres ont avancé que les émotions sont contagieuses. De notre côté, nous avançons qu’elles peuvent être un véhicule des décisions au sein d’un groupe de travail et que, dans ce cas, les décisions se diffusent plus rapidement que sous une diffusion cognitive de l’information. Pour aller plus loin dans la réflexion, nous pensons que la présence d’individus que nous qualifions de leaders d’émotion (agents contaminants) ainsi que d’individus récepteurs émotionnels (agents contaminés) augmentent la contagiosité d’une décision, en particulier dans les organisations. Si de nombreuses études ont porté sur la prise de décision managériale, leur diffusion sous influence émotionnelle reste peu approfondie. De même, les décisions non-programmées (non routinière) ont été peu étudiées. La présente étude se propose, ainsi, de montrer cette influence au travers d’une expérimentation couplée à une méthodologie sociographique. Cette expérience permet (1) d’isoler l’adoption d’une décision prise sous influence des émotions (2) de mettre en exergue le seuil de résistance émotionnelle (le niveau de porosité aux émotions) des individus d’un réseau social et (3) de préciser le rôle des leaders d’émotions pour l’acceptation d’une décision non-programmée dans un système social. L’étude confirme que les émotions sont des signaux d’alertes qui accélèrent la diffusion des décisions non-programmées, révèle un rôle ambivalent des leaders d’émotion et la faculté à « mimiquer » des résistants émotionnels. La discussion des résultats met en lumière les capacités et valeurs essentielles des leaders d’émotion.
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 | 0,003 | 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 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».