Représentations conceptuelles par les acteurs entrepreneuriaux : apport des correspondances spatiales ascendantes
Bibliographic record
Abstract
La littérature en cognition entrepreneuriale de la croissance insiste sur le manque de connaissances permettant de comprendre ce phénomène. De plus, peu de travaux ont porté sur l’efficacité des dispositifs d’accompagnement dédiés à la croissance de la jeune TPE (Très Petite Entreprise). Pourtant, dans la pratique, des divergences de représentations collectives entre acteurs entrepreneuriaux au sujet des actions de croissance à mettre en œuvre menacent l’efficacité de ces dispositifs d’accompagnement. Une compréhension plus affinée des convergences et des divergences de représentations entre les entrepreneurs et les accompagnateurs, en ce qui concerne les actions à mettre en œuvre pour soutenir la croissance comme résultat d’un processus d’orchestration des ressources, serait pertinente pour guider les acteurs entrepreneuriaux faisant face à ce défi. Afin d’éclairer cette problématique, la cartographie des concepts en groupe (CCG) doublée d’une analyse de Procuste aléatoire ont été employées. Ce cadre méthodologique mixte et ascendant permet de déterminer empiriquement les représentations des entrepreneurs et des accompagnateurs en isolant leurs correspondances spatiales respectives. L’empirie permet ainsi de déterminer et de mesurer les convergences et les divergences de représentations des actions de croissance qu’entretiennent ces acteurs entrepreneuriaux. Un positionnement épistémologique en réalisme critique (RC) rend possible une contribution théorique en articulant les mécanismes générateurs (MG) de la croissance extraits des représentations des acteurs entrepreneuriaux. Concernant la contribution managériale de la recherche, des divergences de représentations ont été établies quant aux actions de croissance associées au soutien, au financement et à la gestion des risques.
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 | 0.002 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.007 | 0.008 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".