La transition numérique des structures œuvrant au service de l’intérêt général peut-elle augmenter leur impact social ?
Bibliographic record
Abstract
Quelles sont les conditions de la maximisation de l’impact, et notamment sa pérennisation, du mécénat de compétence tech au profit des organisations dont la mission relève directement et prioritairement de la gestion du bien commun au service de l’intérêt général ? Telle est la question de recherche que la Fondation Devoteam a posée à l’ESSEC au moment de la mise en place de son programme #TechFor-People, afin de s’assurer de la pertinence de ce programme pour répondre aux besoins sur le long terme des structures de l’ESS (Économie Sociale et Solidaire) en transformation digitale. Afin de répondre à cette problématique l’ESSEC a réalisé une évaluation d’impact social fondée sur les cadres théoriques de la théorie du changement et de la théorie des parties prenantes, avec l’analyse de besoin, une collecte de données qualitatives ex-ante ainsi qu’une collecte de données quantitative ex-ante et ex-post. L’analyse de ces collectes révèle une dichotomie spécifique aux structures de l’ESS utilisant le programme que nous avons catégorisées en Tech Driven d’une part, ou Tech Powered d’autre part, avec des besoins et des conditions de pérennisation spécifiques en fonction de la catégorie qui leur correspond.
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 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.007 |
| Scholarly communication | 0.011 | 0.015 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.037 | 0.004 |
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".