Comportements stratégiques autonomes et pressions institutionnelles : le cas du BYOD
Bibliographic record
Abstract
Le phénomène du BYOD ( Bring Your Own Device , Prenez vos Appareils Personnels) représente une tendance lourde sur le marché du travail. Nombreux sont les employés qui réclament d’utiliser les appareils et logiciels de leur choix : téléphones et tablettes, sites de stockage et partage de données (Dropbox, iCloud), systèmes de discussion vidéo (Facetime, Skype) par exemple, et cette liberté peut s’avérer être un facteur décisif dans le choix d’un employeur ou pour la rétention des talents. Même dans le cas où ces pratiques sont interdites par leur organisation, certains employés, soucieux de pouvoir mieux effectuer leur travail, trouvent aisément une façon de les contourner. À l’inverse, certains employeurs s’attendent à ce que les employés utilisent leur appareil personnel (notamment leur smartphone) pour certaines tâches, réalisant ainsi une économie. À ce jour l’essentiel des recherches relatives au phénomène du BYOD s’est concentré sur l’aspect de la sécurité (des systèmes et des données organisationnelles) et du risque, sur les impacts sur la vie privée ainsi que sur des milieux spécifiques (contexte médical). Notre recherche s’intéresse aux contextes fréquents où les employés veulent utiliser leur appareil personnel ; elle tente de répondre à la question suivante : quels facteurs et mécanismes favorisent l’implantation du BYOD dans les sphères professionnelles ? En analysant le phénomène à l’aune de la théorie institutionnelle (plus particulièrement les pressions institutionnelles) et des comportements stratégiques autonomes mis en œuvre par les acteurs; nous proposons que de leur rencontre naisse le BYOD, phénomène émergent non planifié par la direction, qui conduira possiblement à l’apparition de stratégies émergentes dans les organisations. La méthodologie adoptée est une étude de cas unique.
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 | 0.005 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.008 | 0.010 |
| Scholarly communication | 0.011 | 0.009 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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".