Les modèles d'affaires à l'ère d'internet et de la numérisation : six pistes d'action pour favoriser la performance d'une entreprise
Bibliographic record
Abstract
Internet et la numérisation bouleversent les façons de faire dans de nombreuses industries, ce qui est source à la fois de crises et de nouvelles possibilités. Dans les industries de la culture et de l’information, même s’il ne s’est jamais écouté, lu, vu et utilisé autant de musique, de livres, de films, de logiciels et d’autres biens culturels et informationnels, il est extrêmement difficile pour les entreprises qui y œuvrent d’atteindre la rentabilité. En contrepartie, au sein de ces industries, des entreprises prennent des initiatives originales en vue de s’adapter à ces phénomènes technologiques et d’en tirer profit. S’inspirant des pratiques adoptées par ces entreprises innovantes, cet article fait état de six pistes d’action susceptibles de favoriser la performance des modèles d’affaires à l’ère d’Internet et de la numérisation. Il présente des exemples concrets de la façon dont se déploient ces pistes d’action, exemples puisés dans des entreprises des industries de la culture et de l’information, particulièrement touchées par ces phénomènes technologiques. Ces pistes peuvent donc être un outil précieux pour les praticiens de toutes les industries qui cherchent à adapter leur modèle d’affaires à Internet et à la numérisation.
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 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.007 |
| Scholarly communication | 0.011 | 0.013 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.023 | 0.003 |
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".