Diffusion émodécisionnelle non-programmée : le rôle des leaders d’émotions et de la résistance émotionnelle des suiveurs
Bibliographic record
Abstract
Des recherches ont montré qu’une décision ne peut être prise en excluant les émotions de l’équation, pendant que d’autres ont avancé que les émotions sont contagieuses. De notre côté, nous avançons qu’elles peuvent être un véhicule des décisions au sein d’un groupe de travail et que, dans ce cas, les décisions se diffusent plus rapidement que sous une diffusion cognitive de l’information. Pour aller plus loin dans la réflexion, nous pensons que la présence d’individus que nous qualifions de leaders d’émotion (agents contaminants) ainsi que d’individus récepteurs émotionnels (agents contaminés) augmentent la contagiosité d’une décision, en particulier dans les organisations. Si de nombreuses études ont porté sur la prise de décision managériale, leur diffusion sous influence émotionnelle reste peu approfondie. De même, les décisions non-programmées (non routinière) ont été peu étudiées. La présente étude se propose, ainsi, de montrer cette influence au travers d’une expérimentation couplée à une méthodologie sociographique. Cette expérience permet (1) d’isoler l’adoption d’une décision prise sous influence des émotions (2) de mettre en exergue le seuil de résistance émotionnelle (le niveau de porosité aux émotions) des individus d’un réseau social et (3) de préciser le rôle des leaders d’émotions pour l’acceptation d’une décision non-programmée dans un système social. L’étude confirme que les émotions sont des signaux d’alertes qui accélèrent la diffusion des décisions non-programmées, révèle un rôle ambivalent des leaders d’émotion et la faculté à « mimiquer » des résistants émotionnels. La discussion des résultats met en lumière les capacités et valeurs essentielles des leaders d’émotion.
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 | 0.016 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".