Raison d’être et mythes rationnels de la recherche en gestion
Bibliographic record
Abstract
Quelle est la raison d'être de la recherche en gestion ?En quoi ses apparences de plus en plus rationnelles et rigoureuses sont-elles fondées ?Si cette chronique est consacrée à ces questions très larges et interdépendantes, c'est parce qu'elles sont sous-jacentes à de nombreux débats sur le rôle de la recherche en gestion, son utilité, ses exigences théoriques, la valeur des publications qui en découlent ou encore son ancrage dans la réalité des organisations.De façon paradoxale, la légitimité et la reconnaissance des activités de recherche en gestion ne vont pas nécessairement de soi.En effet, si la recherche représente, dans un nombre croissant de régions du monde, une des principales composantes du métier de professeur d'Université, elle exige aussi un temps de plus en plus considérable, dont les publications, lorsqu'elles existent, ne constituent que la partie visible et qui passe parfois inaperçue.L'essentiel du temps de recherche est en réalité employé à des tâches relativement dispersées, éclectiques et souvent peu reconnues qui n'aboutissent pas toujours ou ne sont pas nécessairement liées à des publications : développer de nouvelles idées, élaborer des projets avec des collègues, faire des revues de littérature, encadrer des étudiants, répondre à des questions, évaluer des articles ou des projets, participer à des jurys, préparer des conférences, rédiger des demandes de subventions, obtenir une autorisation d'un comité d'éthique, répondre à des questions et à des sollicitations diverses, collecter des données, les analyser, rédiger des articles, les réviser, les formater, etc. Si certaines de ces tâches exigent un long apprentissage et paraissent parfois ingrates, elles peuvent aussi se révéler fort riches en termes de relations humaines tout autant que d'acquisition de nouvelles connaissances.Pourtant, malgré la légitimité apparente de ces activités, il n'est pas rare d'observer dans le contexte universitaire des clivages profonds entre ceux qui sont particulièrement actifs en recherche et ceux qui le sont moins et qui perçoivent ces activités avec scepticisme, méfiance, voire comme une véritable menace.Les premiers défendent généralement la raison d'être de la recherche, son rôle central dans le métier de professeur, ses retombées tant théoriques que pratiques, son importance pour la formation des étudiants aux cycles supérieurs et pour l'obtention de subventions, sa contribution au rayonnement de l'Université, les difficultés croissantes à publier et donc l'importance de reconnaître cette activité, etc. Les seconds, qui ne sont pas nécessairement moins nombreux ni moins actifs dans les débats sur la question, critiquent généralement l'insistance
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 | 0.050 | 0.062 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.008 | 0.062 |
| Scholarly communication | 0.041 | 0.035 |
| Open science | 0.002 | 0.013 |
| Research integrity | 0.005 | 0.011 |
| Insufficient payload (model declined to judge) | 0.014 | 0.005 |
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".