Informational horizons and folksonomies : the case of the actors of Ubisoft
Notice bibliographique
Résumé
Notre thèse se déroule dans une entreprise mondiale vidéo ludique. Dans cet univers où les restrictions d’accès à l’information sont nombreuses, où les projets habituellement gérés par lieux sont désormais développés inter studios, les acteurs y sont confrontés à de nombreux silos et le KM devient un enjeu d’autant plus stratégique. Quelles sont les sources d’information que les acteurs du jeu vidéo utilisent, les critères qu’ils appliquent et les barrières qu’ils rencontrent ? Comment sont positionnés les outils web 2.0 dans ce paysage numérique ? Quels axes de déploiement pour une folksonomie d’entreprise ? En suivant la méthodologie horizon informationnel de Savolainen, notre étude exploratoire repose sur des entretiens menés au studio Ubisoft de Montréal où nos 29 participants plaçaient leurs sources d’information sur des cartes mentales. Ces données sont complétées par celles relatives au déploiement des tags dans l’organisation. Nous proposons une nouvelle catégorisation de sources et confirmons la typologie de critères de Savolainen. Nous éclairons l’impact d’une temporalité variable entre les équipes de production et support sur leurs pratiques informationnelles. Nous constatons que le déploiement de la folksonomie n’a pas permis d’appliquer la vision initiale associée. Nous affirmons que les folksonomies peuvent encore jouer un rôle majeur dans ces applications si elles bénéficient du support technologique nécessaire à leur déploiement. Elles contribueraient ainsi à la facilitation du parcours informationnels des acteurs de l’organisation, pour qui les premières sources d’information restent les collaborateurs et les outils pour échanger ensemble.
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 | 0,000 | 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».