L’intégration des nouveaux arrivants : un dispositif RH de lutte contre l’obsolescence des compétences ? Enseignements tirés du cas de SNCF Réseau
Bibliographic record
Abstract
Cet article montre comment un dispositif d’intégration des nouveaux arrivants permet de lutter contre l’obsolescence des compétences. Alors que la littérature s’intéresse principalement au développement des compétences, notre article analyse les facteurs de leur obsolescence et les moyens d’y remédier. L’étude du cas d’un établissement du Groupe SNCF nous permet d’identifier les compétences devenues obsolètes et les facteurs organisationnels et RH qui ont produit cette dynamique. Nos données montrent également qu’un dispositif d’intégration permet de considérer les nouveaux arrivants comme les acteurs d’une nouvelle stratégie organisationnelle qui les légitime dans un rôle d’agent de diffusion du savoir. Nos résultats montrent enfin que la diversité des profils (âges, expériences, traits de personnalité, etc.) représente un facteur crucial dans la lutte contre l’obsolescence des compétences parce qu’elle permet le développement d’une « learning agility » favorisant le co-engagement et la co-responsabilité. Notre article enrichit la littérature en identifiant l’intégration comme un levier RH stratégique de lutte contre l’obsolescence des compétences.
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 | 0.006 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.007 | 0.006 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.015 | 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".