Au-delà de la rhétorique : mythes et réalités du leadership et de la transformation numérique
Bibliographic record
Abstract
Cet article soutient que la transformation numérique et le leadership numérique sont des mythes. Le leadership numérique est une illusion et n'existe pas. Il n'y a qu'un bon leadership et un mauvais leadership... ou aucun leadership. Il est faux de penser qu'ajouter plus de technologie modifiera la qualité du leadership et conduira à une transformation organisationnelle. La transformation numérique n'est pas une question de technologie. Il s'agit de leaders visionnaires qui ont la capacité de conduire un changement systémique et d'apporter un nouveau continuum d'avantages à tous les acteurs. Ces leaders intègrent les changements dans les valeurs, la culture et l'objectif de l'organisation. Les outils numériques ne sont qu'une des ressources qui aident les dirigeants dans cette quête. Aujourd'hui, le continuum de qualité de l'enseignement ouvert et à distance est plus fort que jamais dans l'histoire de la profession. Certes, il y a et il y aura des changements futurs dans les pédagogies, mais des pédagogies puissantes existent déjà. Nous devons simplement les dégrouper et les intégrer dans toutes les disciplines à l'aide d'outils numériques. Un leadership visionnaire qui apporte empathie et confiance pour responsabiliser et engager les étudiants, le corps enseignant et la communauté est l'outil le plus puissant dont nous disposerons à l'avenir. Les personnes, et non la technologie, sont la ressource la plus précieuse de nos organisations.
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 | 0.007 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.009 | 0.034 |
| Scholarly communication | 0.013 | 0.015 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.009 |
| Insufficient payload (model declined to judge) | 0.007 | 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".