Proposition d’un modèle de construction du capital humain en milieu organisationnel
Bibliographic record
Abstract
Les études sur le capital humain, menées jusqu’à présent, ont bien révélé son importance pour les organisations. Cependant, sa construction en milieu de travail demeure peu explorée. Même les recherches sur son modèle sont peu nombreuses. Pour comprendre les variables à prioriser, une étude auprès des praticiens et théoriciens tchadiens de GRH a été réalisée. Nous avons appliqué la méthodologie mixte. La production des données a été réalisée au moyen de 11 entrevues semi-structurées et 178 sondages par enquête. L’approche de déconstruction par étape du processus de construction du capital humain, de l’accueil à la permanence, a été utilisée. Les résultats ont montré qu’à l’étape d’accueil du capital humain en milieu organisationnel, les pratiques d’encadrement favorisent les compétences pour exécuter, de façon structurée, les tâches. Ensuite, à l’étape d’intégration, les pratiques d’encadrement et les investissements en formation sont deux leviers d’efficacité. Enfin, à la phase de permanence, nous avons constaté un apport indéniable des investissements en formation, mais ce sont surtout des occasions d’expérience et l’environnement agile qui favorisent la construction de meilleurs talents, en milieu du travail. L’article est utile pour les chercheurs qui trouveront une définition renouvelée du capital humain avec de nouvelles variables et items éprouvés et qui se révèlent plus pertinents. Tandis que les gestionnaires et les consultants trouveront de nouvelles variables permettant de bonifier et valoriser efficacement le capital humain en milieu de travail. Le présent article s’inscrit dans la théorie des ressources et la théorie 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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".