Bibliographic record
Abstract
Pour plusieurs aspirants entrepreneurs, trouver une « bonne » opportunité est une étape difficile. Arriver à reconnaître une opportunité nécessite, au niveau individuel, un certain nombre de connaissances et d’informations, de même qu’une certaine dose de créativité. Pour pallier ces limites individuelles, une avenue intéressante est de mettre à contribution des groupes ou une collectivité pour identifier des opportunités, ce qui permet de multiplier les connaissances et favorise la créativité. C’est le pari qui a été fait dans certains milieux, en réunissant différents groupes d’acteurs dans des démarches structurées afin de reconnaître des opportunités dans leur environnement. Bien qu’intéressantes, ces démarches posent la question suivante : le processus de reconnaissance d’opportunités peut-il être abordé comme un processus collectif ? Pour Tremblay et Carrier (2006), il s’agit d’une avenue non seulement pertinente pour la pratique, mais justifiable d’un point de vue théorique. Ceci étant dit, on connaît peu les facteurs influençant un tel processus et permettant d’en assurer le succès. Afin de répondre à cette question, une étude exploratoire par théorisation enracinée a été réalisée à partir de cinq cas de démarches collectives. Au final, l’étude a permis d’illustrer le processus collectif de reconnaissance d’opportunités et certains facteurs permettant d’en maximiser les retombées. Les résultats permettent de confirmer les rapprochements entre identification d’opportunités et créativité et offrent des repères pour orienter l’action des intervenants et conséquemment, d’améliorer les retombées de telles pratiques.
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 | 0.007 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.003 |
| Science and technology studies | 0.007 | 0.010 |
| Scholarly communication | 0.010 | 0.012 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.017 | 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".