Bibliographic record
Abstract
Le manager-leader a été longtemps assimilé à celui qui décide, construit et déploie le changement (le manager dit « donneur d’ordres »). Ces vingt dernières années ont remis en question ce modèle au profit d’un rôle plus modeste, différent : celui qui crée les conditions de sa réalisation auprès des bénéficiaires de ce même changement. Cette question est au cœur de la réflexion sur le rôle du leaderleader (et sa définition) dans le changement organisationnel, prolongée par les avancées récentes autour de l’intelligence collective (Woolley et al., 2010). L’expérience de Covéa donne à voir ce cheminement. En nous appuyant sur ce terrain et des éléments de recherche-action, nous montrerons comment (1) dans un premier temps l’idée de transformation par le développement de l’intelligence collective a « tâtonné » et a fait l’objet de plusieurs essais/erreurs avant d’aboutir au dispositif original de co-développement systémique ; et dans un second temps (2) comment ce dispositif a influencé la manière de manager et comment des managers de différents horizons ont progressivement intégré à leurs manières des pratiques spécifiques d’intelligence collective. Nous vous détaillerons ensuite comment ces pratiques ont modifié pour certains leur rôle de leader et la posture du leadership au sein de Covéa, ouvrant de nouvelles formes de leadership par l’Intelligence Collective (IC).
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.071 | 0.029 |
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".