Accroître la performance en innovation des PME grâce à la gestion des risques
Bibliographic record
Abstract
Bien qu’elle soit associée à la survie et à la compétitivité des PME, l’innovation est une activité dont le succès n’est aucunement garanti. Le taux d’échec des activités d’innovation est d’ailleurs suffisamment important pour dissuader nombre d’entreprises de s’y investir de façon soutenue. L’incertitude qui lui est associée, puisque l’innovation est synonyme de risque, génère des sources d’échec multiples qui peuvent toutefois être gérées. Est-ce que des pratiques de gestion des risques implantées dans les PME peuvent influencer le taux de succès des activités d’innovation ? L’analyse des données recueillies auprès d’une centaine de PME manufacturières québécoises permet de le croire, dès lors que cette gestion est étendue à toutes les fonctions de l’organisation et qu’elle permet de gérer des éléments tangibles et intangibles dans l’entreprise. Cette recherche exploratoire permet de fournir différentes pistes d’intervention aux PME et aux organismes qui souhaitent accroître les taux d’innovation chez ces entreprises, sachant que les retombées positives sont bénéfiques pour l’entreprise mais aussi pour l’ensemble de la société.
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 | 0.010 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.019 | 0.009 |
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".