Gouvernance distribuée versus gouvernance centralisée : les deux stratégies de la télématique automobile
Bibliographic record
Abstract
Qu’est-ce que la télématique automobile (TA) ? C’est l’ensemble des dispositifs qui rendent une voiture communicante et interactive. Plus précisément, c’est l’ensemble des services de nature (ou d’origine) informatique pouvant être fournis aux automobilistes à travers un réseau de télécommunications. C’est un Eldorado, vers lequel se sont précipités constructeurs automobiles, opérateurs télécoms, équipementiers, sociétés informatiques, firmes multimédia et spécialistes de la navigation. Mais, pour Gilles Garel, la TA relève du mythe, à bien des égards. De nombreux projets ont échoué et le système actuellement le plus utilisé (OnStar, de General Motors) ne constitue pas forcément un modèle à imiter. D’ailleurs, il ne l’a pas été. Est-ce parce que la TA relève de trois univers différents et historiquement découplés : les constructeurs automobiles, les opérateurs de télécommunications et les fournisseurs de contenus ? L’hypothèse de l’auteur est que la TA échappe aux stratégies compétitives traditionnelles, dans lesquelles une grosse entreprise cherche à s’imposer seule. L’émergence d’un modèle efficace nécessite une stratégie coopérative et une gouvernance distribuée entre tous les acteurs concernés. Faute de quoi, l’offre de services télématiques restera en-deçà de ce que les technologies permettent de réaliser.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.010 | 0.010 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
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".