Comment expliquer les erreurs des multinationales et de leurs consultants?
Bibliographic record
Abstract
Résumé Cette réflexion porte sur certains facteurs expliquant l’apparition d’erreurs dans la chaîne de transmission qui va des sièges mondiaux des grands groupes jusqu’aux établissements décentralisés implantés dans divers pays, en passant par les cabinets de conseil. Ces facteurs comprennent notamment des décisions prises à distance sur la base de chiffres abstraits de leur contexte, une définition simpliste du bien commun; la quête de performances exceptionnelles par l’entremise de restructurations et de réformes constantes; le souci et l’importance de bien paraître, d’obéir et de se conformer; les impératifs de rentabilité des sociétés de conseil et des autres intermédiaires. La réflexion traite de l’impact moral que cette situation a sur les jeunes diplômés qui débutent dans les métiers de conseil de même que sur les cadres intermédiaires et les employés. Il est possible de limiter le nombre des erreurs en insistant sur la nécessité de doser interventionnisme et contrôles pour favoriser la capacité d’innovation et d’adaptation des organisations.
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 | 0.005 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.009 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".