Les missions des associations constitutives des écosystèmes entrepreneuriaux
Bibliographic record
Abstract
La question des écosystèmes entrepreneuriaux revêt une place de plus en plus grande dans la littérature en entrepreneuriat. Ces travaux identifient les acteurs constitutifs et mettent à jour leurs missions. Parmi ces acteurs, des associations (non profit/sans but lucratif) en lien avec l’entrepreneuriat sont mentionnées comme acteurs des écosystèmes entrepreneuriaux. Toutefois, il n’existe pas de recherches qui caractérisent leurs missions et essayent de comprendre comment la spécificité de l’écosystème entrepreneurial conditionne leur apparition. Nous cherchons donc à identifier les missions poursuivies par les associations qui s’intéressent à l’entrepreneuriat et la création d’entreprise. Nous cherchons également à comprendre leur contexte d’apparition. Nos résultats concernent les associations, mais peuvent être mobilisés pour comprendre l’émergence d’acteurs au sein d’un écosystème entrepreneurial. S’il existe une diversité des missions, nous émettons la thèse que les caractéristiques du territoire tout comme la dimension temporelle conditionnent les missions. Sur la base de la population des associations loi 1901 françaises, qui ont déclaré dans leur objet les termes « création d’entreprise » ou « entrepreneuriat » (sur la période 1997-2016), et grâce à une démarche méthodologique reposant sur une analyse lexicale automatisée, nous avons pu identifier cinq classes de missions : échange entrepreneurial, aide à la gestion, accompagnement du projet, préoccupations sociales, entrepreneuriat étudiant. La taille, le capital humain ou le chômage qui caractérisent un territoire ont un impact sur le type de mission. Les dernières périodes indiquent un accroissement des associations, dont la mission porte sur l’échange entrepreneurial et l’entrepreneuriat étudiant.
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 | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.000 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".