Perceptions culturelles et intention d’entreprendre
Bibliographic record
Abstract
Dans cette étude, nous complétons les travaux existants qui s’intéressent à l’influence de la culture nationale sur l’entrepreneuriat. Plus précisément, nous présentons une recherche empirique visant à cerner l’impact de différentes dimensions de la culture sur l’intention d’entreprendre. Différemment des recherches antérieures, nous utilisons un instrument de mesure créé spécialement pour appréhender la culture entrepreneuriale d’une région ou d’un pays, le questionnaire C-ENT (Culture of Entrepreneurship), développé par Stephan (2007). Nous proposons ainsi un modèle théorique qui détaille des dimensions de la culture beaucoup plus proches du comportement entrepreneurial que celles examinées dans les recherches antérieures, et nous présentons un premier test empirique de ce modèle en nous focalisant sur deux pays assez particuliers en ce qui concerne leurs niveaux d’intention entrepreneuriale, à savoir le Brésil et la France. Nos résultats sont cohérents avec les rapports du Global Entrepreneurship Monitor, dans le sens où les étudiants brésiliens de notre échantillon présentent globalement un niveau d’intention entrepreneuriale supérieur à la moyenne des étudiants français. Cela dit, nos résultats indiquent aussi une absence relative d’effets directs de la culture sur l’intention d’entreprendre, ce qui ouvre plusieurs voies de recherche pour l’avenir. Nous suggérons et discutons ces différentes pistes de recherche, en relevant aussi les dimensions de la culture entrepreneuriale à retenir et les construits psychologiques auxquels elles semblent être reliées.
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 | 0.003 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".