Bibliographic record
Abstract
Plusieurs recherches ont démontré l'influence profonde du dirigeant sur l'orientation stratégique de son entreprise et en particulier sur l’adoption d’innovations. Cependant, l’état actuel de nos connaissances ne nous permet pas de cerner avec précision les caractéristiques distinctives du dirigeant ainsi que les modalités par lesquelles s’exerce son influence lors de l’adoption des nouvelles technologies. Cet article présente les résultats d’une étude empirique qui analyse en profondeur certaines caractéristiques du dirigeant, ce dernier étant considéré comme un facteur primordial d’adoption des nouvelles technologies informatiques dans les PME manufacturières. Les résultats permettent de constater qu’il existe de fortes relations entre les composantes des profils des dirigeants et le degré innovateur de l’entreprise. En particulier, il ressort clairement qu’une attitude positive envers le risque et une attitude proactive des dirigeants sont les composantes les plus fortement et positivement corrélées au degré innovateur de leurs entreprises. Certaines caractéristiques du processus décisionnel des dirigeants, dont en particulier un horizon de planification orienté vers le long terme, des méthodes d’analyses plus raffinées ainsi qu’une recherche d’informations internes plus systématique sont aussi positivement corrélées au degré innovateur. En outre, les entreprises plus innovatrices bénéficient souvent de l’expérience fonctionnelle plus approfondie de leurs dirigeants en génie-production. Ces résultats suggèrent qu’au-delà de la simple constatation de l’importance du dirigeant lors de I’adoption des nouvelles technologies, il devient essentiel de connaître les contributions des différentes composantes de ces profils retrouvés dans les entreprises plus innovatrices. Dans une perspective évolutive, le dirigeant d’une PME déterminerait done en grande partie la trajectoire technologique de son entreprise ce qui, sur les plans théorique et pratique, a de profondes répercussions.
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 | 0.004 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".