Une recherche-action pour diagnostiquer les pratiques de veille stratégique des PME
Bibliographic record
Abstract
La recherche-action publiée dans un contexte de PME n’est pas fréquente, même si elle peut profiter aux PME en élaborant des savoirs actionnables et pertinents. L’article présente le processus d’une recherche-action, soit le développement d’un outil diagnostique des pratiques de veille stratégique auprès de PME. La présente recherche s’articule autour de la veille stratégique qui peut se définir comme un processus informationnel par lequel une organisation se met à l’écoute de son environnement pour décider et agir dans la poursuite de ses objectifs. La méthodologie de recherche retenue est la recherche-action et, plus particulièrement, le prototypage d’un système expert. L’objectif de la recherche est de sensibiliser les dirigeants d’une organisation aux activités de veille stratégique et ainsi contribuer à les faire progresser. Pour atteindre cet objectif, un outil diagnostique des pratiques de la veille stratégique auprès de petites et moyennes entreprises (PME) est développé. La structure du diagnostic s’attarde à cinq composantes principales, soit les types de veille, le contexte de la veille, l’organisation de la veille, le processus de la veille et la sécurité de l’information. Ces composantes se subdivisent pour former un grand total de 30 composantes. Dans le cadre du développement du prototype, 6 moyennes entreprises canadiennes et 33 experts sont mis à contribution lors des trois itérations menant à la dernière version du prototype. Les six PME ont fait l’objet d’autant d’études de cas.
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 | 0.020 | 0.061 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.010 | 0.011 |
| Open science | 0.003 | 0.006 |
| Research integrity | 0.005 | 0.004 |
| Insufficient payload (model declined to judge) | 0.014 | 0.005 |
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".