Bibliographic record
Abstract
Cet article résume une démarche exploratoire visant à relever les principales pratiques d’acquisition des ressources humaines (RH) en contexte de PME. Pour y parvenir, l’expérience internationale a été analysée à travers la documentation empirique rapportant des résultats de terrain dans divers pays d’Europe et d’Amérique du Nord. Une première constatation révèle que très peu de PME nord-américaines effectuent une réelle planification des RH ou une véritable analyse des emplois. Certaines établissent un plan de recrutement à court terme et rédigent des descriptions de tâches, mais ces outils ne leur servent qu’à se conformer à des normes externes. La situation diffère toutefois en France et dans les pays où ces pratiques sont réglementées ou encouragées. En outre, la majorité des PME démontrent peu d’imagination dans le choix des sources de recrutement et se bornent à quelques méthodes passives. La sélection se limite à l’analyse des formulaires de demande d’emploi et à l’entrevue individuelle; les critères de sélection et les tests apparaissent fortement sous-utilisés; et l’accueil ne dépasse guère la présentation aux collègues, exception faite des PME plus participatives. Enfin, l’analyse du degré de formalisation des pratiques d’acquisition des RH fait ressortir la nécessité de réorienter rétude de la GRH en favorisant la discussion sur les implications éventuelles d’une gestion renouvelée dans les organisations, particulièrement dans les 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 | 0.005 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.004 |
| 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".