La gouvernance dans les organismes à but non lucratif : mieux comprendre la pratique avant de réglementer
Bibliographic record
Abstract
Résumé Au cours de la dernière décennie, nous avons noté une préoccupation grandissante face à l’amélioration des pratiques de gouvernance. Les entreprises cotées en Bourse, les sociétés gouvernementales et les organismes à but non lucratif (OBNL) sont tous interpellés. Dans cet article, nous nous attardons aux écrits relatifs aux OBNL, qui sont majoritairement prescriptifs. Dans un premier temps, nous nous interrogeons sur la pertinence des guides normatifs et des recherches prescriptives qui allient «bonne gouvernance» et «bonne performance». Toutefois, on observe dans ces travaux une absence de définition de la reddition de comptes et de l’efficacité dans le secteur des OBNL, un manque d’intérêt pour l’étude des relations entre les membres des conseils d’administration et les dirigeants, et le peu de documentation sur les conseils d’administration qui vivent des problèmes de gouvernance. Dans un deuxième temps, nous présentons deux cas inspirés de la pratique qui témoignent d’enjeux de gouvernance peu documentés dans la littérature.
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 | 0.010 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.027 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.005 | 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".