L’impact de l’évaluation collective ou individuelle des performances sur les équipes de travail: le cas d’une enseigne de restauration rapide et commerciale
Bibliographic record
Abstract
L’impact du passage d’une évaluation collective à une évaluation individuelle de la performance, ou inversement, sur les équipes de travail et leur rendement est étudié en contexte réel au sein de deux équipes ayant récemment vécu le passage d’une évaluation collective à une évaluation individuelle pour l’une, et inversement pour l’autre. Si dans nos deux échantillons, l’évaluation individualisée s’accompagne d’une individualisation du rapport au travail, les effets sont plus contrastés en ce qui concerne le vécu individuel, la qualité des relations interpersonnelles et la performance. Lorsque, du fait des critères d’évaluation retenus, les contributions individuelles à la performance collective sont indétectables en l’absence d’évaluation individualisée, l’évaluation collective est associée à la suspicion et à une moindre performance en comparaison de l’évaluation individuelle. À l’inverse, lorsque selon les critères retenus pour évaluer la performance les membres de l’équipe peuvent aisément s’entraider pour améliorer la performance collective, l’évaluation collective est mieux perçue et est associée à de meilleures relations interpersonnelles et une meilleure performance que l’évaluation individuelle. Alors que l’évaluation individuelle est généralement privilégiée dans les entreprises, cette étude apporte des résultats empiriques à l’appui des recherches qui postulent que l’évaluation collective des équipes de travail est susceptible de renforcer la performance globale, en comparaison de l’évaluation individuelle de leurs membres, car elle favorise l’entraide et la régulation collective. Toutefois, ces résultats mettent en évidence que l’effet positif de l’évaluation collective en comparaison de l’évaluation individuelle n’est observé que lorsque les critères d’évaluation favorisent la régulation collective de la performance. Cette étude permet d’identifier ces deux éléments : 1- dans quel cas telle modalité d’évaluation semble préférable à telle autre; et 2- quels critères d’évaluation adopter pour favoriser les effets positifs de l’évaluation collective sur la performance engendrés par l’entraide et la régulation collective en cours d’activité.
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 | 0.008 | 0.031 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".