L'accompagnement entrepreneurial comme premier stage : plusieurs défis pour l'étudiant au contact des fondateurs
Bibliographic record
Abstract
On observe une nouvelle tendance dans les écoles de gestion telles que HEC Montréal, soit la volonté manifestée par des étudiants d’inscrire leurs premières expériences professionnelles dans le champ de l’accompagnement entrepreneurial. Désireux de vivre de l’intérieur les missions de l’entrepreneur et d’expérimenter les enjeux des phases de création et de démarrage, ces derniers recherchent l’occasion de relever des défis variés. Devant ce phénomène grandissant, une question se pose : en quoi un stage dans une jeune entreprise peut-il correspondre aux défis que des étudiants en fin de parcours universitaire souhaitent relever ? Cet article présente six défis propres à la réalisation d’un mandat d’accompagnement pouvant ouvrir sur des occasions d’apprentissage et de développement professionnel, défis découverts à la suite d’une expérience d’immersion au sein d’une entreprise en démarrage, vécue par un étudiant de HEC Montréal. L’objectif poursuivi est que la possibilité de vivre de tels mandats soit bénéfique pour les entrepreneurs accompagnés et plus facilement accessible aux étudiants. Des pistes de réflexion sur le rôle d’orientation et d’encadrement de l’université pour ces stages sont également proposées.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.015 | 0.020 |
| Scholarly communication | 0.012 | 0.006 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".