Bibliographic record
Abstract
La réflexivité, une soft skill du manager de demain ? La littérature académique semble le plébisciter, mais avoir des managers réflexifs nécessite une implication de l’entreprise pour qu’elle favorise, organise et légitime la réflexivité. D’autant plus que les managers ne sont pas forcément tous formés à la réflexivité pendant leurs études. En effet, le système éducatif semble privilégier plutôt le développement des compétences dures, alors que l’entreprise devrait s’intéresser de plus en plus au développement des compétences douces, qui sont les infrastructures de la qualité, de l’efficacité du management et potentiellement le levier d’une nouvelle manière de fonctionner dans les organisations. Mais qu’en est-il vraiment ? Avons-nous des managers réflexifs dans nos entreprises ? Celles-ci encouragent-elles la réflexivité de leurs managers ? Est-ce une compétence valorisée et reconnue ? Cet article se propose de témoigner de rencontres avec des Directeurs des Ressources Humaines (DRH) et de partager leurs points de vue sur le sujet afin de mieux définir le chemin à parcourir quant à la promotion de la réflexivité managériale dans les entreprises.
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 | 0.018 | 0.030 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.005 | 0.033 |
| Scholarly communication | 0.014 | 0.015 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.005 | 0.008 |
| Insufficient payload (model declined to judge) | 0.011 | 0.003 |
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".