Préincubation et méthode d’accompagnement pour l’entrepreneuriat étudiant : recherche-action ingénierique sur le terrain d’Ubee Lab
Bibliographic record
Abstract
Cette recherche s’inscrit dans le champ de l’accompagnement à l’entrepreneuriat en apportant de la connaissance sur la préincubation dont le périmètre définitionnel restait à préciser, notamment par le constat d’un manque de travaux empiriques. Elle a utilisé le terrain du préincubateur Ubee Lab de l’Université de Bordeaux, lequel accompagne les étudiants-entrepreneurs avec le double objectif de faire gagner les projets qu’ils portent en maturité et de les rendre convaincants. S’appuyant sur le concept désormais répandu de business model, le responsable d’Ubee Lab exprimait le problème du manque d’une méthode construite autour de cet outil. Plus précisément, la méthode, outre la poursuite du double objectif précédent, devait, d’une part, participer à l’engagement des étudiants en séquençant l’avancement des projets et la remise de livrables et, d’autre part, être formalisée, a minima, afin de pouvoir être enseignée et déployée par les nouveaux salariés d’Ubee Lab, ce type de structure connaissant une rotation importante des personnels. Ce faisant, la méthode professionnalise le métier d’accompagnateur des salariés et participe à leur reconnaissance dans l’écosystème de l’accompagnement entrepreneurial. Cette recherche-action est ainsi de portée ingénierique en apportant une méthode attendue par le terrain et des éléments tirés de celui-ci pour mieux comprendre la préincubation. Cet apport de connaissances semble nécessaire aux écosystèmes d’accompagnement entrepreneurial et aux écosystèmes entrepreneuriaux d’éducation puisque le ministère français de l’Enseignement supérieur, de la Recherche et de l’Innovation incite les universités à, entre autres, accompagner les étudiants porteurs d’un projet entrepreneurial.
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 | 0.022 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.003 | 0.007 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.014 | 0.006 |
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".