Acquisition et conservation des ressources humaines en PME : diagnostic dans le domaine du génie-conseil
Bibliographic record
Abstract
Cet article vise à esquisser un diagnostic des pratiques d’acquisition et de conservation des ressources humaines dans 12 PME québécoises œuvrant dans le secteur du génie-conseil1. Réalisée auprès des premiers responsables en gestion des ressources humaines (GRH), cette recherche implique l’utilisation d’une grille- diagnostic exhaustive administrée par entretiens directs approfondis. Les pratiques de GRH abordées ici sont la planification des ressources humaines, l'analyse et la description des emplois, le recrutement, la sélection, l’accueil, la rémunération ainsi que l’évaluation du rendement. Les résultats visent à satisfaire trois grands objectifs de recherche. Premièrement, dresser un bilan de ces pratiques de GRH utilisées dans ces PME du génie-conseil. Deuxièmement, évaluer le niveau de développement de ces pratiques quant à /’utilisation des techniques et des connaissances disponibles en GRH. Finalement, obtenir l’appréciation des premiers responsables en GRH en ce qui concerne les difficultés éprouvées. Les résultats font ressortir le caractère adaptatif de ces PME au regard de leurs pratiques de GRH et ils mettent en évidence la pertinence d’améliorer certaines de ces pratiques.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".