Bibliographic record
Abstract
Résumé L’actualité des affaires révèle quasi quotidiennement des scandales financiers et toutes sortes de situations problématiques quant à l’éthique. Les considérations éthiques semblent donc peu présentes, tant dans le contenu des stratégies que dans les processus que les entreprises adoptent au cours de la formulation et de l’implantation de ces stratégies. Or, de nos jours, si les entreprises veulent se développer et durer, elles doivent acquérir une légitimité à la fois économique et sociale. Cet article s’intéresse à l’éthique en tant que démarche volontaire de la part des entreprises, se manifestant par l’adoption d’outils, de procédures et de processus qui visent à rendre l’action marchande davantage éthique. Il a pour objectif d’aider les entreprises à adopter une «position stratégique éthique» qui respecte leurs diverses parties prenantes. La première partie de l’article examine le contenu d’une position stratégique éthique et traite plus particulièrement du comportement éthique comme source d’avantage concurrentiel, pour ce qui est des coûts et/ou de la différenciation. La deuxième partie porte sur les processus permettant de mettre au point une position stratégique éthique et s’appuie principalement sur la stratégie «chemin faisant» d’Avenier. Pour mettre en pratique une approche lui permettant de se forger une telle stratégie, l’entreprise doit faire un certain nombre de gestes délibérés, mais elle doit aussi se préoccuper des phénomènes émergents et développer une culture éthique au quotidien.
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 | 0.010 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.010 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.014 | 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".