Les déterminants du développement de l'auto-efficacité entrepreneuriale dans un contexte de mentorat
Bibliographic record
Abstract
<titre>Résumé</titre>Par le passé, des recherches qualitatives ont fait ressortir l’importance du mentorat dans le développement de l’auto-efficacité entrepreneuriale des novices. Également, l’orientation dans un but d’apprentissage est reconnue comme une disposition individuelle exerçant une influence positive dans le développement du sentiment d’auto-efficacité. Cette recherche propose de vérifier si le sentiment d’auto-efficacité peut être développé chez l’entrepreneur novice lorsqu’il est jumelé avec un mentor en tenant compte de l’orientation dans un but d’apprentissage. Pour y parvenir, 360 entrepreneurs mentorés du réseau de mentorat d’affaires de la Fondation de l’entrepreneurship ont été interrogés. En utilisant un modèle d’équations structurelles, il est apparu que trois des six sous-échelles d’auto-efficacité entrepreneuriale sont développées en fonction du mentorat reçu. L’orientation dans un but d’apprentissage du mentoré influence à la fois le développement de l’auto-efficacité ainsi que le niveau de mentorat reçu. Ces résultats confirment que le mentor influence cette dimension affective chez l’entrepreneur novice, et laissent présager le rôle important que pourrait jouer l’orientation dans un but d’apprentissage des entrepreneurs dans leur cheminement de carrière.
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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".