Finance et ressources humaines : «la grande séduction»!
Bibliographic record
Abstract
Résumé Lorsque les analystes financiers de Wall Street ou d’ailleurs évaluent le potentiel d’une entreprise afin de conseiller aux investisseurs d’acheter ou de vendre, ils ne font pas très attention aux données sur le potentiel humain de cette entreprise. Quand on examine le rapport annuel d’une grande entreprise canadienne, on ne trouve pas vraiment de traces chiffrées de celui que pourtant les dirigeants désignent souvent comme «l’actif le plus important» de leur entreprise. Il y a plusieurs raisons à cela, mais il est possible que le service des ressources humaines soit en partie responsable de cette situation. Les mesures chiffrées en matière de gestion des ressources humaines ne manquent pas, mais elles sont trop souvent limitées à l’évaluation des activités du service, négligeant les résultats qu’elles produisent. Elles ne mesurent ni la valeur du potentiel humain, ni celle de l’actif le plus important. Dès lors, il n’est pas surprenant que ces mesures ne dépassent pas le cadre du service des ressources humaines lui-même. Cet article propose à ces services de mesurer six ratios financiers liés aux ressources humaines, c’est-à-dire des indicateurs mesurés en unités pécuniaires. Nous tentons de montrer que la mesure et le suivi de ces indicateurs permettront aux professionnels des ressources humaines de mieux piloter le capital humain de leur entreprise, de rendre plus visible la contribution de celui-ci à la création de valeur et de mieux jouer leur rôle de partenaire stratégique.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.007 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| 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".