Déterminants et conséquences de l’appel à la foule pour la gestion d’une PME : cas de la start-up française 1083
Bibliographic record
Abstract
À travers l’étude de cas longitudinale de la start-up française 1083 qui fabrique et vend des jeans et des chaussures « made in France », nous cherchons à savoir comment l’appel à la foule peut impacter un processus effectual de création et de développement d’une entreprise. Pour cela, nous définissons les motivations de l’appel à la foule lors des phases de création, puis de développement de l’entreprise. Nous analysons également les conséquences de l’appel à la foule sur la gestion de l’entreprise. Nous identifions ainsi deux nouvelles raisons qui ont motivé l’entreprise à avoir recours à la foule : l’éducation des consommateurs et l’influence que l’entreprise peut exercer sur ses partenaires. Nos résultats montrent qu’il existe un lien étroit entre la logique effectuale de création et de développement d’une entreprise et le recours à la foule. D’une part, ces deux phénomènes se renforcent mutuellement et d’autre part, le processus d’effectuation impose une coconstruction du projet entrepreneurial avec plusieurs parties prenantes. Nous observons aussi que, même si la foule participe à la création de valeur pour l’entreprise, son implication peut devenir contraignante pour le dirigeant.
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) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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".