Bibliographic record
Abstract
Les recherches sur le lien entre TIC et performance ne permettent pas de trancher sur la nature de ce lien : une relation directe et positive n’est pas systématique. Il semble que c’est au travers de processus organisationnels que les TIC auront un impact sur les performances. En raison du rôle du propriétaire-dirigeant au sein d’une PME, son intérêt pour les TIC ne s’avérera pas neutre. Dès lors, l’objectif de cette recherche est de mieux comprendre le rôle du dirigeant de PME dans les pratiques en matière de technologies de l’information de son entreprise et d’observer les conséquences sur la performance. Plus précisément, nous cherchons à répondre à la question suivante : est-ce que l’intérêt du dirigeant favorise une plus grande utilisation des TIC et par-delà, une meilleure performance ou intervient-il sur l’utilisation des TIC en agissant comme un amplificateur de la qualité de leur utilisation par le personnel ? L’intérêt de cette recherche est d’éclairer la théorie sur le lien entre les TIC et la performance en prenant appui sur un secteur où le management de l’information est crucial. Pour ce faire, nous utiliserons les résultats d’une enquête menée auprès de 123 PME touristiques des Alpes-Maritimes.
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 | 0.005 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.009 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.019 | 0.008 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.069 | 0.015 |
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".