La sagesse au profit des PME : caractéristiques et rôles du mentor d’entrepreneurs
Bibliographic record
Abstract
Sommaire Le mentorat d’entrepreneurs s’est considérablement développé au cours des dernières années. L’évaluation du programme de mentorat de la Fondation de l’entrepreneurship nous permet d’éclairer plusieurs dimensions de ce type de mentorat, encore peu documenté. Cet article adopte le point de vue du mentor en abordant les cinq questions suivantes : Qui est le mentor d’entrepreneurs? Pour quelles raisons des individus mettent-ils leur expérience et leur expertise au service des PME? Quelle contribution apportent-ils aux entreprises? Quelles sont les principales difficultés rencontrées par les mentors d’entrepreneurs? Quels bénéfices retirent-ils de ce type d’activité volontaire? Les résultats montrent que le mentorat d’entrepreneurs est fort différent de celui pratiqué dans les grandes organisations. Plutôt que de tenter de standardiser les caractéristiques et les rôles d’un « bon mentor », l’hétérogénéité de la clientèle visée nous invite plutôt à privilégier une approche de « mentorat situationnel », où les mentors sont encouragés à s’adapter aux besoins des entrepreneurs mentorés.
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 | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.019 | 0.003 |
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".