Comment gérer des communautés de pratique interorganisationnelles ?
Bibliographic record
Abstract
Résumé La communauté de pratique interorganisationnelle permet à plusieurs organisations de partager entre elles des bonnes pratiques et des connaissances et facilite la coordination entre différents acteurs d’un secteur industriel. Ses membres s’engagent à joindre leurs efforts pour communiquer leurs savoirs, collaborer à la résolution de problèmes soulevés par leurs pairs, leurs organisations et la communauté elle-même, et innover là où de nouvelles voies sont requises pour avancer. Après avoir traité des bénéfices des communautés de pratique interorganisationnelles, cet article présente les phases de leur implantation : s’assurer d’un leadership et d’une vision partagée; s’assurer d’une culture organisationnelle propice et se doter d’une gouvernance partagée; planifier les échanges afin de valoriser les communications entre les ressources humaines; se doter d’une plateforme technologique commune suscitant la collaboration des personnes; enfin, piloter la communauté dans le sens de la collaboration. Ensuite, nous donnons deux exemples réels de communautés de pratique interorganisationnelles. Finalement, nous insistons sur deux conditions de succès de ces communautés : d’une part, favoriser les ententes entre organisations et reconnaître leur valeur ajoutée, et, d’autre part, prôner un leadership respectueux des communautés. Fonctions : GRH, TI, management, économie, production
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 | 0.017 | 0.033 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.009 | 0.016 |
| Scholarly communication | 0.014 | 0.014 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.012 | 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".