Le marketing de partage comme outil de marketing pour l'entreprise
Bibliographic record
Abstract
Résumé À l’heure de la mondialisation de l’économie, la société civile demande un meilleur partage des ressources disponibles. Le marketing de partage est proposé comme outil pouvant satisfaire à la fois aux impératifs économiques des entreprises et aux demandes de divers groupes œuvrant habituellement en tant qu’organismes sans lut lucratif (OSBL). Cet article décrit ce mode de commercialisation encore peu utilisé au Québec et montre que son impact sur les consommateurs est généralement positif. Cet outil de marketing pourra aider une entreprise à augmenter ses ventes, à bonifier son image sociale ou à améliorer les relations avec ses employés. Il permettra à l’OSBL-cause sociétale en question d’obtenir un financement additionnel et une visibilité accrue. Il donnera aux consommateurs le sentiment du devoir accompli. La société en entier sera bénéficiaire de cette forme de commercialisation. Certes, le marketing de partage peut mettre en jeu la réputation de l’entreprise. Aussi le choix judicieux d’un OSBL-cause sociétale à soutenir est primordial pour la réussite d’un programme de marketing de partage. Cet article propose un modèle de processus décisionnel de sélection d’un partenaire social.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.037 | 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".