Le management des connaissances : la structure et la stratégie des ressources humaines comme leviers d'exploitation et d'exploration
Bibliographic record
Abstract
Résumé La connaissance constitue aujourd’hui l’actif stratégique de l’organisation. Le plus important est la capacité à gérer cet actif et à le développer. Une connaissance qui ne se développe pas devient rapidement obsolète. Cependant, selon plusieurs approches technicistes, la gestion des connaissances serait dépendante des technologies de l’information et de la communication. Pour plusieurs organisations, elle serait plutôt une affaire de collecte, de stockage et de circulation de l’information. À partir de l’examen de deux cas, nous montrons que la structure comme mise en ordre des rapports et la stratégie de gestion des ressources humaines sont deux actions primordiales pour toute démarche pérenne d’exploitation et de développement de l’actif immatériel. Dans le premier cas, nous analysons le fonctionnement d’une usine de câblage et indiquons comment les travailleurs ambulants ont favorisé les transactions interacteurs et amélioré l’apprentissage des équipes. Dans le second cas, nous étudions la conduite d’une organisation spécialisée dans la production de logiciels. Grâce à une politique de coopération et de gestion des ressources humaines, la direction a su développer chez les équipes de projet une compétence distinctive.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| 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".