Modèle théorique de projets de Green IS : une spécification des relations entre objectifs, compétences et culture environnementale
Bibliographic record
Abstract
Afin d’assurer une meilleure performance environnementale, les organisations s’engagent dans \ndiverses initiatives vertes, y compris celles impliquant les systèmes et technologies d’information. \nCependant, notre compréhension des projets Green IS reste incomplète. Cette recherche vise à \naméliorer cette compréhension en analysant l'influence de trois facteurs sur les impacts \nenvironnementaux des projets Green IS : les objectifs environnementaux, les compétences \nmobilisées et la culture environnementale. Des études de cas exploratoires de sept projets de Green \nIS dans le secteur financier ont été réalisées, ce qui a permis l’élaboration d’un nouveau modèle \nthéorique. Celui-ci définit une nouvelle variable, en l’occurrence la notion de perception d’un \nprojet de Green IS. À cet égard, nous suggérons que celle-ci est influencée directement par les \nobjectifs d’un projet et par son impact environnemental. Toutefois, ces objectifs influencent aussi \nindirectement les impacts dans la mesure où ils déterminent le choix des compétences mobilisées. \nLa culture environnementale de l’organisation joue aussi un rôle à travers les programmes de \nsensibilisation et le renforcement de l’identité verte des membres du personnel. Nous avons \nconstaté en la matière que même les projets marqués par l’absence d’objectifs environnementaux \nou de compétences en développement durable peuvent avoir des retombées environnementales \npositives parce que les employés impliqués prennent des décisions plus écoresponsables. Cette \nrecherche contribue au plan de la réflexion scientifique à révéler les dynamiques complexes des \nprojets de Green IS, fournissant ainsi une base pour la réalisation d’études ultérieures. Sur un plan \nplus pratique, ses conclusions permettent d’identifier différentes voies que les organisations \npeuvent emprunter pour mieux gérer leurs initiatives environnementales afin d’en améliorer les \nrésultats.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".