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 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 | 0.019 | 0.061 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.007 | 0.011 |
| Scholarly communication | 0.020 | 0.016 |
| Open science | 0.002 | 0.011 |
| Research integrity | 0.006 | 0.006 |
| Insufficient payload (model declined to judge) | 0.016 | 0.004 |
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".