Bibliographic record
Abstract
La valorisation d’actions RSE mises en place par les organisations est devenue ces dix dernières années un enjeu mondial majeur. En atteste le nombre croissant de dispositifs de certification proposés aux entreprises privées comme publiques (ISO 26000, SD 21000…). Cependant, force est de constater que très souvent ces dispositifs ne sont pas adaptés au contexte de la PME, alors qu’elles représentent l’essentiel des organisations privées. Tout l’enjeu réside alors dans la compréhension d’une part, des objectifs poursuivis par les concepteurs d’un dispositif de labellisation responsable et d’autre part des besoins des organisations qui participent à un processus de labellisation pour accompagner les PME vers une performance durable. Nous nous sommes proposé, dans cette recherche, d’étudier la diffusion d’un label d’entreprise responsable (ENR) dans un réseau de clusters de PME du secteur du numérique, en mobilisant la théorie de la traduction ou théorie de l’acteur-réseau (ANT). La méthode mobilisée permet de suivre l’évolution du label ENR « en train de se développer » et d’en comprendre le succès relatif à travers l’analyse des relations entre les acteurs. Les résultats de cette étude qualitative conduisent tout d’abord à distinguer trois étapes majeures dans la diffusion de la labellisation, favorisant l’allongement du réseau et la pérennisation de l’innovation. Puis, une typologie d’engagement en faveur du label est proposée selon le degré d’intéressement et d’enrôlement des PME au sein du réseau.
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 | 0.010 | 0.030 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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".