Changement de gouvernance et communautés open source : le cas du logiciel Claroline
Bibliographic record
Abstract
Depuis le milieu des années 1990, les logiciels libres et open source intègrent progressivement la sphère économique et entraînent le développement de grandes communautés en ligne. Bien que ces communautés aient été largement étudiées, leur cohabitation avec les éditeurs de logiciels reste cependant mal maîtrisée. Plus précisément, le rôle que peuvent jouer ces communautés au-delà de leur contribution technique est sous-étudié. Dans notre recherche, nous questionnons le rapport entre un éditeur et sa communauté en prenant pour unité d’analyse la réaction de la communauté face à des changements stratégiques de gouvernance initiés par l’éditeur. Afin d’atteindre notre objectif, une étude longitudinale s’imposait. Claroline est un projet populaire de Learning Management System open source dont sont issus, directement ou indirectement, plusieurs autres projets open source . Compte tenu de sa diffusion, de l’évolution de sa gouvernance, de ses forks et de sa résilience, Claroline présentait un terrain de recherche idéal pour comprendre les dynamiques communautaires. Finalement, nos résultats montrent que les communautés libres et open source peuvent être à l’origine de résistances et entraver la mise en œuvre de certaines décisions stratégiques liées notamment aux modes de gouvernance. Codes JEL : L17
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 | 0.025 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.006 | 0.010 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.001 | 0.003 |
| 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".