Les Grands Auteurs en Management de l'innovation et de la créativité
Bibliographic record
Abstract
Comment améliorer la créativité des équipes ? Comment faciliter la transformation des idées en innovation ? Quels outils et méthodes employer pour améliorer la qualité des produits et des services, faciliter le travail des employés, maîtriser les coûts tout en tenant compte d'un environnement économique en mutation ? Ces questions centrales sont abordées dans ce deuxième tome des Grands auteurs en management de l'innovation et de la créativité dédié à l'économie et au management de l'innovation en pratique(s). En 21 chapitres, ce volume aborde le point de vue des praticiens, les outils et les méthodes éprouvés ainsi que leurs récentes évolutions, la place des communautés, les stratégies de captation de valeur ainsi que la gestion des idées et de la créativité.De lecture aisée, chaque chapitre est autonome et expose de manière précise et pédagogique l'apport d'un auteur fondateur au management de l'innovation. L'ouvrage Les grands auteurs en management de l'innovation et de la créativité offre ainsi un éventail unique de travaux de référence pour qui s'intéresse à l'innovation, veut l'appréhender dans toute sa complexité et ainsi mieux comprendre comment la mettre en oeuvre au sein des 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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.023 | 0.009 |
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".