Bibliographic record
Abstract
Résumé Le phénomène des modes en gestion intrigue autant les praticiens que les universitaires. Comment expliquer cet engouement collectif, aussi soudain qu’éphémère, pour des méthodes de gestion prometteuses mais qui s’avèrent souvent plus coûteuses qu’efficaces? Dans la première partie, l’article présente une synthèse des principales explications avancées par les chercheurs pour expliquer le phénomène des modes en gestion. D’abord, les approches proposées et les ouvrages qui les présentent adopteraient un format qui les rendrait particulièrement attirants pour les gestionnaires. Ces approches feraient aussi l’objet d’une promotion intense de la part d’une foule d’intervenants qui constitueraient l’«industrie de la mode». Par ailleurs, le fait de suivre la mode remplirait certaines fonctions sociales : identification à une élite, légitimation du travail des gestionnaires, amélioration de l’image des organisations, etc. On se servirait également des approches à la mode comme source de mobilisation et comme ressource politique. Enfin, les travaux plus récents indiquent que différents groupes sociaux se réapproprient les discours à la mode pour mieux atteindre leurs objectifs. Dans la deuxième partie, l’article trace quelques pistes de réflexion pour les gestionnaires et les universitaires qui se demandent quelle attitude adopter face aux approches à la mode.
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 | 0.001 |
| Science and technology studies | 0.006 | 0.030 |
| Scholarly communication | 0.014 | 0.017 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.014 | 0.003 |
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".