Susciter l’engagement des mentors bénévoles pour entrepreneurs : une question de sélection ou d’encadrement ?
Bibliographic record
Abstract
Les programmes de mentorat pour entrepreneurs reposent sur des bénévoles qui peuvent quitter leur engagement à tout moment. Sachant les coûts reliés à la gestion des programmes et aux formations de ces mentors, l’étude de leur rétention et de leur satisfaction face à leur engagement devient un impératif. Pour étudier cette problématique, nous avons réalisé une enquête auprès de 366 mentors du Réseau M de la Fondation de l’entrepreneurship (Québec). Nos résultats indiquent que trois des six raisons qui amènent les mentors à s’engager de manière bénévole ont une influence sur leur satisfaction à l’égard de leur engagement ainsi que sur leur rétention : pour comprendre et apprendre, parce que cela correspond à leurs valeurs et pour rehausser leur estime de soi. Il appert que l’investigation des raisons de s’engager pourrait être un outil important dans la sélection des mentors ayant le plus grand potentiel de demeurer actifs et d’être les plus satisfaits dans une organisation de cette nature. Néanmoins, les gestionnaires de programmes de mentorat doivent surtout considérer des activités suscitant la satisfaction envers l’engagement dans la cellule locale pour retenir leurs mentors.
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 | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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; both teacher heads agree on what is shown here.
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".