Les organismes à but non lucratif : comment mieux gérer les relations avec les donateurs ?
Bibliographic record
Abstract
Résumé Les organismes à but non lucratif (OBNL) contribuent de manière essentielle au bien-être de la société. Malgré ce constat, la santé financière d’un bon nombre de ces organismes est dans un état de précarité quasi permanent, dû à la volatilité des sources de financement et aux attentes de plus en plus grandes de leurs bailleurs de fonds. Pour répondre aux attentes des donateurs, les OBNL se voient souvent contraints à réviser ou à diluer leur mission. Une trop grande complaisance de la part de l’OBNL risque de compromettre sa mission, alors qu’une résistance trop forte de sa part peut l’amener à se retrouver sans le sou. Comment les OBNL peuvent-ils mieux naviguer dans cette mer houleuse des relations avec les donateurs? Se basant sur les résultats d’une étude des relations établies entre des OBNL et leurs donateurs, cet article présente des stratégies que des organismes utilisent pour gérer leurs relations avec les donateurs, qui vont de la complaisance à la résistance, en passant par l’accommodation. Finalement, nous résumons les stratégies ou pratiques clés que des OBNL gagnent à adopter pour préserver leur autonomie et optimiser les retombées de leurs relations avec les donateurs ou les bailleurs de fonds.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.007 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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".