L’appropriation des technologies de l’Internet et ses facteurs critiques de succès
Bibliographic record
Abstract
Divisée en deux volets, une étude exploratoire a été réalisée dans quatre PME de la région de la Mauricie au Québec. Premièrement, à l’aide d’une représentation conceptuelle basée sur les construits de compétences de l’utilisateur (Munro et al., 1997), de sentiment d’efficacité personnelle eu égard aux technologies (Compeau, Higgins et Huff, 1999 ; Compeau et Higgins, 1995) et d’absorption cognitive (Agarwal et Karahanna, 2000), une collecte de données auprès de 30 utilisateurs d’applications de l’Internet a permis d’évaluer leur utilisation et leur appropriation en contexte de PME. Dans cette perspective de l’appropriation technologique, les résultats démontrent que les compétences et le sentiment d’efficacité personnelle par rapport à ces applications peuvent jouer un rôle important, tout en étant liés de façon significative. Deuxièmement, la réalisation d’entrevues semi-dirigées auprès des gestionnaires responsables des systèmes et des technologies de l’information a permis une analyse qualitative des facteurs contribuant ou non à encourager l’utilisation et l’appropriation des applications de l’Internet dans les PME. Il a alors été constaté que l’importance des mesures de sécurité, la consultation des futurs utilisateurs, la formulation et la diffusion d’objectifs clairs, le soutien et l’encouragement à l’utilisation de la part de l’équipe dirigeante, la disponibilité des ressources ainsi que les mécanismes de gestion des problèmes et des crises survenant inévitablement sont autant de facteurs ne trouvant pas nécessairement écho auprès des gestionnaires de PME. Ces derniers sont autant d’éléments qui risquent d’affecter le degré d’appropriation technologique des utilisateurs, et ce, de plusieurs manières. Notamment, par leurs effets, directs ou indirects, sur le niveau de compétences des utilisateurs et leur sentiment d’efficacité personnelle eu égard aux technologies.
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 | 0.008 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.007 |
| Science and technology studies | 0.006 | 0.020 |
| Scholarly communication | 0.014 | 0.009 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".