Bibliographic record
Abstract
Résumé Dans de nombreux secteurs d’activité, les achats constituent un poste de dépenses qui offre un potentiel appréciable d’économies. Par ailleurs, face à des fournisseurs dont la taille est de plus en plus imposante, des gestionnaires peuvent être tentés par le recours à un groupe d’achats en vue de rétablir leur pouvoir de négociation. Cependant, les organisations qui entendent faire appel à cette pratique doivent en saisir très rapidement la dynamique particulière, car le groupe d’achats est souvent une organisation distincte et relativement autonome des membres qui la composent. Ces membres doivent donc voir à baliser son développement. Justement, cet article, qui est le fruit d’une étude en profondeur des groupes d’achats dans le secteur de la santé, cherche à préciser les phases de l’évolution des groupes d’achats ainsi que les facteurs qui interviennent, selon les phases de développement. L’analyse de ces facteurs permettra de formuler une série d’observations pouvant guider les réflexions de décideurs qui souhaiteraient mettre en œuvre un groupe d’achats ou définir de nouvelles orientations pour celui-ci.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.005 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.028 | 0.003 |
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".