La théorisation ancrée en sciences de la gestion : pratiques de collecte et d’analyse de données de deux vagues successives d’exploration
Bibliographic record
Abstract
Cet article expose les choix en matière de pratiques de recherche et les outils structurels utilisés pour mettre en oeuvre l’échantillonnage théorique, réaliser la collecte et l’analyse de données, ainsi que légitimer la pertinence de la théorisation ancrée en sciences de la gestion. Un moyen judicieux de faire ressortir la place que peut occuper la théorisation ancrée en sciences de la gestion est certes la présentation des aspects méthodologiques d’une étude ayant nécessité deux vagues successives de recherche et dont la première correspond à un cycle complet de recherche, allant de l’induction à la déduction. Dans un contexte de gestion de la structure organisationnelle dite matricielle, la première vague de recherche fait ressortir la pertinence de mener une étude portant sur les solutions au problème d’intégration des activités de l’organisation alors que la seconde a pour objet le développement d’un modèle théorique d’intégration des activités de l’organisation.
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 | 0.095 | 0.161 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.004 |
| Bibliometrics | 0.009 | 0.007 |
| Science and technology studies | 0.006 | 0.043 |
| Scholarly communication | 0.023 | 0.035 |
| Open science | 0.004 | 0.016 |
| Research integrity | 0.005 | 0.010 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".