Bibliographic record
Abstract
Le premier entretien avec un conseiller financier est le point de départ d’une relation à long terme et une étape incontournable pour tous les créateurs de très petite entreprise. Il doit leur permettre de trouver les financements qui leur font défaut et ainsi pouvoir démarrer une nouvelle activité dans de bonnes conditions. Pour le conseiller, l’entretien est un moment privilégié pour vendre des produits de banque et d’assurance qui font partie des objectifs qu’il se doit d’atteindre. Cependant, financer un créateur est l’activité la plus risquée pour les banques commerciales. Dans un cadre contraignant destiné à encadrer son travail, le conseiller doit être capable de discerner les bons dossiers des mauvais. Ne disposant que de peu d’informations concrètes sur lesquelles bâtir sa décision, le conseiller va rechercher dans l’entretien tous les éléments, y compris les plus subjectifs, de nature à le renseigner sur la capacité de son interlocuteur à tenir ses engagements et à rembourser les crédits contractés. Après avoir précisé les relations entre la banque, le banquier et l’entrepreneur, le tout formant le contexte de l’entretien, nous retraçons le processus particulier de cette prise de décision risquée en montrant les conséquences de l’utilisation par les conseillers d’heuristiques simplificatrices de la réalité complexe. Nous montrons que la première impression est souvent déterminante avec peu de réversibilité et qu’elle peut conduire le conseiller à ne pas financer des projets pourtant économiquement viables. La portée managériale de ce travail est de mettre en évidence la nécessité pour les entrepreneurs de mieux préparer l’entretien avec la banque, afin d’améliorer leurs chances d’être financés et de pouvoir ainsi démarrer leur activité dans de bonnes conditions.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.030 | 0.005 |
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".