La dynamique des compétences relationnelles dans le développement des entreprises à internationalisation rapide et précoce : une approche multiniveaux
Bibliographic record
Abstract
Alors qu’une part importante de la littérature sur les entreprises à internationalisation rapide et précoce (EIRP) souligne l’importance des réseaux sociaux dans leur dynamique, très peu nous est dit sur les compétences relationnelles mobilisées par ces entreprises pour initier, consolider et étendre ces réseaux sociaux à l’international. Pour combler cette lacune, nous avons entrepris un programme de recherche, dont l’objectif est d’améliorer la compréhension de la dynamique des compétences relationnelles dans le développement des EIRP, en nous intéressant à la fois à l’identification, l’émergence et la combinaison des quatre niveaux de compétences (individuel, collectif, organisationnel et interorganisationnel). Notre recherche, de type exploratoire, repose sur une démarche qualitative, centrée sur une analyse de données issues d’une série d’entretiens avec des entrepreneurs-dirigeants d’EIRP et des experts de leur développement. Les résultats montrent que la dynamique des compétences relationnelles est le fruit d’efforts déployés à la fois par les dirigeants et leurs équipes pour initier la relation, puis consolider le réseau et enfin l’étendre. Aussi, dans les EIRP, les compétences relationnelles ne sont pas données, mais se construisent progressivement grâce aux stratégies des acteurs et à la prise en considération des quatre niveaux d’analyse de la compétence.
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 | 0.014 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.008 | 0.009 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.013 | 0.012 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 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".