Gérer des compétences : une instrumentation en contexte, modélisation fondée sur l’étude de cas
Bibliographic record
Abstract
Aujourd’hui largement diffusée, la gestion des compétences continue à faire face à trois questions fondamentales. D’abord, celle de la pertinence de son instrumentation : les outils de gestion des compétences restent critiqués pour leur réductionnisme, leur rapide obsolescence et leur manque de fiabilité. Ensuite, celle de son désajustement organisationnel : les pratiques de gestion des compétences semblent souvent faire abstraction des spécificités des contextes organisationnels dans lesquels elles émergent. Enfin, celle de son articulation stratégique : comment comprendre et gérer le lien entre les pratiques de gestion des compétences centrées sur l’individu et un pilotage stratégique de l’entreprise fondé sur ses compétences-clés ? En réponse à ces questions, cette contribution vise à mettre en évidence des configurations cohérentes d’instruments, de contextes organisationnels et de finalités stratégiques susceptibles de sous-tendre les dispositifs de gestion des compétences. L’analyse repose sur sept études de cas menées dans des entreprises contrastées, publiques ou privées et de tailles diverses. L’analyse comparative des cas fait émerger quatre modèles distincts de gestion des compétences : 1- un modèle de la normalisation centré sur des comportements partagés à large échelle et visant l’homogénéisation culturelle; 2- un modèle de la polyvalence permettant l’allocation flexible des ressources humaines au sein d’un périmètre d’activité; 3- un modèle du talent individuel faisant des qualités et aptitudes personnelles génériques la clé de la performance individuelle et collective; 4- et, enfin, un modèle de l’expertise centré sur la maîtrise de compétences techniques complexes et la livraison de prestations à haute valeur ajoutée. Cette modélisation permet de resituer les pratiques de gestion des compétences dans leur contexte organisationnel. Elle clarifie la valeur ajoutée qu’un système de gestion des compétences peut apporter à la réalisation d’une stratégie d’entreprise. Enfin, les choix opérationnels faits dans la construction des référentiels de compétences peuvent être compris et réfléchis à la lumière du modèle retenu.
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 | 0.006 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.003 | 0.016 |
| Scholarly communication | 0.014 | 0.016 |
| Open science | 0.003 | 0.006 |
| Research integrity | 0.004 | 0.004 |
| 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".