Des inégalités d’accès aux inégalités de succès : enquête sur les fondateurs et fondatrices de start-up
Bibliographic record
Abstract
Parfois utilisé pour désigner des entreprises innovantes, d’autres fois pour désigner un modèle d’entreprise risqué ou pour mettre l’accent sur des entrepreneur·ses jeunes et héroïques, le mot start-up ne trouve aucune définition objective, ne correspondant à aucune catégorie juridique. Cet article propose d’apporter un éclairage sur cet objet largement médiatisé et pourtant peu étudié. En nous appuyant sur une double enquête qualitative et quantitative menée depuis 2016 auprès de fondateurs et fondatrices de start-up, nous questionnerons les prétendues spécificités du modèle des start-up en analysant les représentations qui leur sont associées. Sont-elles vraiment des entreprises plus jeunes, plus innovantes, avec un potentiel de croissance plus important que les autres ? Après avoir explicité les modes de création et de développement qui distinguent les start-up des entreprises classiques, nous montrerons qu’ils viennent renforcer les inégalités de classe et de genre, tant dans les chances d’accès que dans les chances de succès, alors même que le modèle des start-up se présente comme un modèle d’entrepreneuriat plus démocratique et méritocratique que ce qui existe par ailleurs.
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 | 0.013 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.005 | 0.014 |
| Scholarly communication | 0.015 | 0.013 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 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".