Les liens entre les caractéristiques et le succès des changements organisationnels : le cas d'une start-up
Bibliographic record
Abstract
Le but de cette étude est d’explorer les liens entre les caractéristiques et le succès des changements organisationnels, dans un contexte entrepreneurial. Les relations entre les caractéristiques sont aussi investiguées. Les données récoltées concernent 51 changements organisationnels entrepris par une start-up française de 1997 à 2011. Elles permettent une approche à la fois exploratoire et quantitative. Avec le développement de l’entreprise, la fréquence des changements a augmenté tandis que leur durée moyenne a diminué. Les tests de chi-carré de Pearson démontrent que l’origine du changement est corrélée à son processus de mise en œuvre, à sa portée et aux éléments de sa décision initiale. Dans nos données, la portée et l’étendue des changements sont non seulement corrélées entre elles mais également en lien direct avec le succès des changements. Enfin, des relations significatives sont identifiées entre la durée du changement et d’autres caractéristiques (processus, origine et portée). La collecte des données et le cadre méthodologique présentent quelques limites, notamment en ce qui concerne la nature catégorielle des variables construites. Cet article suggère que les relations entre les caractéristiques et le succès des changements mériteraient, dans un contexte entrepreneurial, plus d’attention. À travers l’étude d’une entreprise performante, les entrepreneurs et les praticiens peuvent tirer des apprentissages utiles quant à la gestion des caractéristiques du changement.
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 | 0.032 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".