La gestion des connaissances et des compétences dans les petites entreprises technologiques : une approche empirique
Bibliographic record
Abstract
L’approche «resource based» est à l’honneur dans la réflexion en management stratégique et devrait même devenir, pour de nombreux chercheurs, la colonne vertébrale des problématiques de recherche en management pour le prochain millénaire. Des travaux sur des pratiques d’entreprises en soulignent les portées opératoires. Cependant, nous devons constater que la plupart de ces études concernent de grandes entreprises. La question reste posée pour les PME pour lesquelles nous avons encore peu de visibilité en matière de management des connaissances et des compétences : ceci résulte-t-il d’une faible médiatisation ou de l’absence de formalisation des pratiques ? Cet article vise à apporter des éléments de réponse à cette question. À cet effet, nous avons observé plus attentivement les pratiques des PME en matière de management des ressources et des compétences et nous y avons retrouvé des modes opératoires et organisationnels particulièrement structurés et orientés vers un management global des connaissances et des compétences. Cette étude exploratoire confirme que la problématique de management des ressources et des compétences est bien présente dans les réflexions des dirigeants de ces PME qui ont su mettre en œuvre des outils et méthodes particulièrement sophistiqués.
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 | 0.017 | 0.035 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.015 | 0.012 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 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".