Bibliographic record
Abstract
Liarte !Nous avons été nommés rédacteurs-en-chef de la revue M@n@gement en Janvier 2014 par le CA de l'AIMS.Pour mener à bien notre tâche, nous nous sommes entourés d'une équipe éditoriale en partie renouvelée, comprenant trois Senior Éditeurs ayant une expérience de publication dans des revues internationales et française, Bernard Leca, Vincent Mangematin et Philippe Monin, et un responsable de la rubrique Unplugged, Olivier Germain (qui gérait précédemment la rubrique Recension d'ouvrage).L'équipe éditoriale est amenée à évoluer au cours des prochaines années, notamment afin de mieux refléter l'ambition internationale de la revue.Si le numéro précédent de M@n@gement a été le fruit d'un travail commun entre l'ancienne et la nouvelle équipes, ce numéro 2 de l'année 2014 constitue le premier numéro que nous prenons totalement en charge.Nous profitons donc de cette occasion pour présenter la ligne éditoriale de M@n@gement, l'organisation de la revue, ainsi que quelques projets auxquels nous sommes attachés. !Avant toute chose, nous souhaitons remercier un certain nombre de personnes et d'institutions qui ont rendu la publication de M@n@gement possible.Tout d'abord, nous souhaitons remercier l'AIMS de son soutien renouvelé, et de la confiance qu'elle nous a accordée en nous nommant rédacteurs-en-chef de M@n@gement.C'est avec une grande joie, et un enthousiasme certain que nous démarrons notre mandat de trois ans à la tête de la revue.Nous avons conscience des efforts que la gestion d'une telle revue implique, et nous allons tout mettre en œuvre pour renforcer la réputation de la revue dans la communauté francophone des chercheurs en Strategie et Management des Organisations, et pour en améliorer la visibilité au sein de la communauté internationale. !Nous souhaitons également remercier le précédent rédacteur-en-chef, Emmanuel Josserand, ainsi que l'ensemble de son équipe éditoriale -Jean-Luc Arrègle, Stewart Clegg,
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 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.055 | 0.023 |
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".