Comment des femmes à la tête de PME réussissent-elles leur succession?
Bibliographic record
Abstract
Résumé Au cœur de la réussite du processus de transfert de direction se trouve la crédibilité que le successeur doit établir et que le dirigeant sortant doit aider à bâtir. Afin d’optimiser la réussite des successions au sein des entreprises familiales, cet article tire des leçons de quatre cas de succession de femmes dirigeantes de PME qui sont bien entamés ou qui se sont bien déroulés. Les entrevues réalisées mettent en lumière le fait qu’un successeur crédible doit présenter trois caractéristiques : avoir des compétences «à valeur ajoutée», exercer un leadership gagnant et se montrer honnête. Nos résultats indiquent aussi que les dirigeantes sortantes peuvent accroître la crédibilité de leur successeur en lui faisant confiance et en lui exprimant cette confiance, en l’inspirant et en agissant comme modèle auprès de lui, en l’amenant à développer ses compétences, en collaborant et en communiquant avec lui et, enfin, en exerçant un leadership empathique envers le successeur.
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 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".