Digital competencies of managers and leaders self-assessment aspects : a design science research approach
Notice bibliographique
Résumé
As digital transformation accelerates across industries, managers and leaders are increasingly expected to develop digital competencies that extend beyond technical know-how to include strategic, social, and motivational skills. However, most existing frameworks and tools—such as DigComp or IC3—are designed for general populations and fail to address the specific challenges of digital leadership. This thesis aims to address this gap by designing a self-assessment tool tailored to the digital competencies of managers and leaders. Adopting the Design Science Research (DSR) methodology, this study combines a literature-based framework with iterative design and empirical validation. Four key competency dimensions were identified—technical, managerial, social, and motivational—which serve as the foundation for a perception-based questionnaire using a Likert scale. The tool enables managers to self-evaluate their digital strengths and development needs in a structured and accessible manner. The qualitative evaluation, conducted through interviews with ten managers from the manufacturing sector in Canada, suggested the relevance and usability of the framework. Findings revealed a strong demand for reflective tools that support digital awareness, adaptability, and strategic alignment. Participants also proposed enhancements such as AI-driven personalized feedback, benchmarking features, and broader accessibility for SMEs. This research contributes to both academic literature and professional practice by offering a flexible, leadership-specific self-assessment model that supports digital competence development in managerial contexts. It also opens new avenues for future research on personalization, ethical implications, and long-term impact on leadership behaviors.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,026 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| 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 source (Gemma direct ou Codex distillé), 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 ».