Éconception et PME : surgénéralisation, mythes et réalités
Bibliographic record
Abstract
Depuis plusieurs années, les chercheurs en psychologie sociale ont démontré jusqu’à quel point il s’avère difficile de corriger de fausses informations une fois que celles-ci ont été mises en circulation (Schwarz, 2007). En ce qui concerne la capacité des PME à mettre en œuvre des pratiques d’écoconception, plusieurs organisations internationales (OECD, 2009) ou nationales (Industrie Canada, 2009) ont rapidement perçu l’importance du phénomène et ont émis des recommandations afin d’informer et de guider les dirigeants d’entreprise en ce qui a trait au développement de nouveaux produits mieux arrimés au développement durable. Or, ces premières prescriptions se basent le plus souvent, d’une part, sur des données partielles qui sont généralisées à l’ensemble des PME ainsi que, d’autre part, sur une connaissance approximative de l’écoconception et une série d’idées préconçues sur la nature et le fonctionnement des PME manufacturières. L’écoconception y est présentée comme une pratique dont les exigences techniques et financières la rendent difficilement utilisable par une PME.
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 | 0.004 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.022 |
| Scholarly communication | 0.012 | 0.014 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.011 | 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".