Les dispositifs de gestion des compétences dans les PME : mythe ou réalité ?
Bibliographic record
Abstract
L’objectif de cet article est d’analyser la présence de dispositifs de gestion des compétences au sein des PME par la réalisation d’une étude empirique auprès de 28 entreprises de la Région Centre (France). Notre analyse s’inscrit dans le champ de recherches récentes comme celles s’intéressant à la gestion des compétences dans les TPE et les PME. Elle consistera, dans un premier temps, à identifier quels sont ces dispositifs et comment les classer pour, dans un second temps, en révéler les enjeux et les principaux enseignements. La problématique de cette recherche est donc de savoir quels sont les types de GEC (gestion des emplois et des compétences) mis en oeuvre au sein des PME, pour quelles raisons et comment elles procèdent. Pour répondre à cette problématique, une collecte de données primaires, par récits de pratiques, a été réalisée auprès de 28 dirigeants de PME de la Région Centre. L’analyse des données collectées laisse apparaître trois dimensions clés : les enjeux stratégiques, l’instrumentation et la transmission des connaissances.
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 | 0.011 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.003 | 0.008 |
| Scholarly communication | 0.011 | 0.009 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.001 | 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".