Échouer à apprendre et apprendre à échouer des projets d'innovation : revue systématique de la littérature et validation empirique
Notice bibliographique
Résumé
Les projets d'innovation sont reconnus pour être des projets très risqués, particulièrement ceux qui visent à développer des innovations radicales. Une part très importante de ces projets échoue. Des statistiques alarmantes confirment la prépondérance des échecs dans les projets innovants et illustrent les difficultés des entreprises à en atténuer l'ampleur. Ces échecs peuvent néanmoins constituer des opportunités uniques d'apprentissage pour les projets d'innovation dans le futur. Cependant, et même si le consensus semble établi, au sein des milieux académique et pratique, quant à l'importance de capitaliser sur les échecs et apprendre pour mieux performer dans les futurs projets d'innovation, les entreprises peinent encore à tirer avantage de leurs échecs passés. Cette thèse s'inscrit dans cette problématique de recherche. Son objectif général est, dans un premier temps, d'édifier un cadre conceptuel intégrateur de l'apprentissage de l'échec en matière d'innovation et de ses déterminants et de l'éprouver empiriquement pour le cas des PME manufacturières canadiennes et, dans un second temps, d'identifier des configurations de déterminants permettant de distinguer les PME selon leurs capacités réelles d'apprentissage de l'échec en matière d'innovation. L'atteinte de cet objectif général a nécessité la réalisation d'une revue systématique de la littérature sur l'apprentissage de l'échec en matière d'innovation et de ses déterminants, ainsi que la conduite de plusieurs analyses orchestrées autour de deux volets empiriques faisant appel à la méthode de modélisation par équations structurelles et à la méthode des ensembles flous, respectivement. Les résultats de ces analyses basées sur un échantillon de 436 entreprises manufacturières innovantes localisées dans la région de la Montérégie au Québec, ont permis entre autres de tester le cadre conceptuel intégrateur édifié suite à la revue systématique sur l'apprentissage de l'échec en matière d'innovation et ses déterminants. Les résultats des quatre configurations structurelles obtenues mettent en évidence l'importance des stratégies organisationnelles (approche de résolution des problèmes et de blâme) et des déterminants individuels (la maîtrise personnelle, la sécurité psychologique) dans l'explication de l'apprentissage de l'échec en matière d'innovation. La méthode des ensembles flous, utilisée dans le deuxième volet empirique de cette thèse, a permis d'identifier quatre combinaisons de déterminants sur lesquelles les entreprises peuvent capitaliser pour apprendre des échecs de leurs projets d'innovations. Ces quatre combinaisons représentent quatre différents chemins que les entreprises peuvent emprunter pour apprendre des échecs de leurs projets d'innovation passés. La revue systématique de la littérature et les résultats des deux volets empiriques de la thèse ont permis de dégager des implications, en vue de contribuer à l'avancement des connaissances sur cette thématique, et de proposer des pistes d'action aux gestionnaires et aux intervenants concernés par la gestion de l'innovation dans les entreprises, particulièrement les PME.
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 | 0,124 | 0,297 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,010 | 0,011 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,024 | 0,014 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,005 |
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 ».