L’expertise en évaluation socio-environnementale des entreprises : légitimation et mises à l’épreuve
Bibliographic record
Abstract
Cet article vise à mieux comprendre le processus de légitimation de l’expertise en évaluation extra-financière. En nous appuyant sur le concept de légitimité, nous étudions les stratégies discursives déployées par les agences d’évaluation socio-environnementale des entreprises pour construire et faire reconnaître leur expertise en la matière. En plus de ces articulations stratégiques, nous explorons leur mise en œuvre et certains de leurs effets au sein du champ, particulièrement sur les entreprises évaluées et les autres acteurs du milieu de la responsabilité sociale des entreprises (RSE). L’analyse des données collectées fait état de diverses stratégies mobilisées au sein des agences d’évaluation pour légitimer leur revendication d’expertise. Les résultats indiquent également que les évaluations produites ont des effets normalisateurs, dans la mesure où, nous semble-t-il, elles participent à la formation d’entreprises et de parties prenantes ayant tendance à se conformer au discours des agences d’évaluation. Autrement dit, au sein des auditoires, on semble tenir pour acquis les capacités des agences à fournir des représentations relativement justes et cohérentes des réalités entrepreneuriales en matière de performance socio-environnementale. Ultimement, nous nous interrogeons sur les conditions de possibilité pouvant favoriser le développement d’un vent de conformisme au sein du champ.
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 | 0.064 | 0.133 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.003 |
| Science and technology studies | 0.006 | 0.014 |
| Scholarly communication | 0.019 | 0.015 |
| Open science | 0.001 | 0.011 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 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".