Articuler les politiques de GRH et les stratégies d’innovation : des modèles à l’épreuve des faits
Bibliographic record
Abstract
Management des chercheurs et des personnes innovantes, incitations générales à la créativité, mobilisation de toutes les ressources : à l’heure où les entreprises s’orientent de plus en plus vers des stratégies d’innovation, les politiques de gestion des ressources humaines tentent de s’arrimer à celles-ci pour en être de solides composantes. Mais est-il si simple d’articuler de manière cohérente ces politiques avec les stratégies d’innovation ? Au-delà du catalogue des bonnes pratiques de circonstance, les modèles disponibles de management stratégique des ressources humaines pour l’innovation résistent-ils à l’épreuve des faits ? Cette recherche propose, sur la base d’un état de l’art disponible, une étude de cas sur une société de haute technologie. Il s’avère que si les modèles disponibles pointent des dimensions pertinentes, ils ne mettent en revanche pas assez en lumière les tensions générées sur le terrain par leur mise en œuvre dans des contextes évolutifs.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.013 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.003 | 0.029 |
| Scholarly communication | 0.019 | 0.020 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.006 | 0.005 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".