L'apprentissage du leadership ou comment actualiser son capital de leadership
Bibliographic record
Abstract
Résumé De nombreux théoriciens de la gestion et de praticiens se sont attardés à déterminer les qualités et les compétences clés que l’on devrait trouver chez les leaders. Ces qualités incluent notamment la vision, la pensée stratégique, la motivation, la communication interpersonnelle, l’intelligence émotionnelle et la compétence de contenu. Les stratégies de développement du leadership viseront donc à permettre aux leaders potentiels ou actuels d’acquérir ces qualités. Mais que disent les leaders eux-mêmes de leurs propres leviers de développement? Quelles ont été les avenues marquantes dans leur parcours avant et pendant l’exercice du leadership? Quelles ont été leurs stratégies? Pour répondre à ces questions, l’auteure a rencontré des leaders accomplis, étudié les biographies d’autres leaders et interrogé des candidats considérés comme de hauts potentiels mais qui n’ont pas démontré le leadership attendu le moment venu. Dans cet article, l’auteure propose un modèle d’apprentissage du leadership basé sur les stratégies cognitives, comportementales et relationnelles utilisées par des leaders et permettant à chacun d’actualiser son capital de leadership. Ce modèle présente sept axes majeurs d’apprentissage.
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 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.017 | 0.002 |
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".