L’adoption d’un ERP en ligne par les PME : entre frilosité et nécessité
Bibliographic record
Abstract
Dans un monde de plus en plus concurrentiel, l’entreprise se doit d’avoir un système d’information performant. L’ERP est devenu la solution pour de nombreuses entreprises et un élément clé de la stratégie. Mais l’implantation d’un tel produit en interne est une opération lourde du point de vue financier, organisationnel et de délai de mise en oeuvre. L’ERP en ligne (cloud) peut alors se révéler être une solution intéressante face à ces contraintes. Les avantages qu’il présente faciliteraient son adoption au sein des PME. Aussi, cette recherche s’attache-t-elle à déterminer les facteurs qui peuvent inciter ou freiner les PME dans l’adoption d’une telle solution. Elle s’appuie sur le modèle TAM, enrichi de propositions issues de la théorie de la diffusion de l’innovation. Notre modèle a été testé auprès d’entreprises de la région Centre, sur la base d’un questionnaire en ligne et de 64 réponses exploitables.Il ressort que les décideurs sont sensibles à deux variables qui influent directement sur l’intention d’adopter ou de continuer à utiliser un ERP en ligne pour les entreprises qui en seraient déjà équipées, l’utilité perçue ainsi que la sécurité et la confiance qu’ils mettent dans une telle solution. Mais il apparaît aussi que d’autres variables agissent indirectement, comme l’influence sociale, qui joue un rôle central dans le modèle, mais aussi la taille de l’entreprise, les bénéfices perçus en termes de statut et l’attitude envers les innovations technologiques.
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 | 0.007 | 0.028 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".