Bibliographic record
Abstract
Résumé Le leadership peut être déterminant, mais il est souvent magnifié : montrez à la presse une organisation qui a du succès et la presse vous montrera un grand leader. Cependant, il est moins facile d’essayer de découvrir ce qui s’est vraiment passé. Ainsi, en 1997, on apprenait qu’en quatre ans Lou Gerstner, alors chef de la direction, avait accru la valeur des actions d’IBM de plus de 40 milliards de dollars. Il avait fait cela tout seul ! S’agit-il d’un leadership héroïque, où le leader transforme les choses à sa guise, même s’il vient d’arriver dans l’organisation ? Un tel leadership mène au désastre. Par contre, quand IBM a commencé à faire du commerce électronique à cause d’un programmeur qui avait proposé une idée à un cadre, la compagnie a réuni une équipe pour appliquer le changement. Quel rôle Gerstner a-t-il joué ? Il a soutenu les personnes qui ont mis en œuvre l’initiative. En fait, il a démontré juste assez de leadership ! Souvent on a besoin d’un «leadership réparti» entre plusieurs personnes selon leurs capacités. Mais le mot «leadership» est inadéquat parce que son efficacité réside moins dans un individu isolé que dans un processus collectif, une communauté. Un monde rempli d’exécutants permettrait-il aux entreprises d’obtenir une meilleure place ?
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.011 | 0.009 |
| Scholarly communication | 0.010 | 0.005 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.128 | 0.019 |
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".