Bibliographic record
Abstract
Les tendances et les enjeux stratégiques, auxquels l’entreprise doit faire face, émanent avant tout de la complexité de l’environnement qui se manifeste dans l’incertitude et l’ambiguïté. Dans cette perspective, le défi des dirigeants de l’entreprise consiste à être en mesure de cerner et d’appréhender cette complexité, dans le but de mieux la gérer par la suite. L’un des leviers permettant de gérer cette complexité est l’intelligence économique. En l’absence de modèles pertinents capables de soutenir les décideurs dans un tel défi, nous proposons dans ce papier d’éclairer ces articulations à travers une mise en avant du rôle de l’intelligence économique comme un processus de création des connaissances. Notre recherche est divisée en quatre parties. La première partie définit l’intelligence économique en tant que champ de recherche promoteur en management stratégique. La deuxième présente un cadre conceptuel de la démarche d’intelligence économique, la troisième vise à élaborer un modèle de la création des connaissances, et enfin dans la quatrième, nous présentons les résultats de notre étude empirique.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.008 |
| Scholarly communication | 0.013 | 0.009 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.028 | 0.007 |
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".