Réseaux collectifs : les effets du capital social sur l’innovation. Le cas de l’innovation sociale dans les entreprises de l’Economie Sociale et Solidaire
Bibliographic record
Abstract
Ce papier se donne pour objectif d’éclairer les incidences de la participation à un réseau collectif sur l’innovation sociale dans une entreprise. L’auteur repart des différentes dimensions du capital social, à savoir les interactions sociales, la confiance et la vision partagée entre les membres d’un réseau pour mesurer leur rôle et celui des structures collectives dans le processus d’innovation et l’innovation sociale. Cette recherche est basée sur une étude menée auprès d’un échantillon d’entreprises françaises du secteur de l’Economie Sociale et Solidaire (ESS). Les résultats tendent, en partie, à étayer l’hypothèse d’une relation significative entre (1) le capital social et le soutien d’un réseau et (2) les échanges et partages d’expériences, ces derniers ayant un impact sur (3) le processus d’innovation et l’innovation sociale dans les entreprises. Les responsables des structures fédératives de l’ESS trouveront ici des arguments pour convaincre les dirigeants d’entreprises sociales, soucieuses de montrer leur différence avec celles de l’économie classique, de s’impliquer dans ces réseaux, lieux de partages d’expériences et sources d’innovation sociale.
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 | 0.006 | 0.022 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 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".