PME et entrepreneuriat : une analyse lexicométrique et structurelle des travaux publiés dans la Revue internationale PME (1988-2020)
Bibliographic record
Abstract
Ce travail analyse 588 articles et notes de recherche publiés dans 98 numéros de la Revue internationale PME (RIPME), depuis son premier numéro (1988) jusqu’au dernier numéro de l’année intégralement disponible pour mener notre analyse (2020). Sur la base d’une revue de la littérature portant sur les points de convergence et de divergence entre PME et entrepreneuriat en tant que champ théorique, nous répondons à la question suivante : comment a évolué le discours scientifique au sein de la RIPME ? À cette fin, nous mobilisons une méthodologie d’analyse des données textuelles automatisée qui porte sur le titre et le résumé des 588 textes. Nous identifions le vocabulaire le plus souvent mobilisé et ses évolutions dans le temps en fonction de trois périodes : 1988-1998, 1999-2009 et 2010-2020. Une classification descendante hiérarchique, selon la méthode Reinert, permet d’identifier trois grandes classes de vocabulaire : (1) la PME, (2) l’entrepreneuriat et (3) le contexte. Pour chacune de ces classes, nous décrivons la dynamique temporelle. Si les textes orientés « PME » demeurent dominants, les textes en « entrepreneuriat » gagnent de plus en plus de place. Nous pouvons catégoriser les 588 textes au sein de ces trois classes, ce qui nous permet de constater des interconnexions. Ces résultats nous permettent de proposer cinq dimensions de convergence relatives aux travaux PME et entrepreneuriat.
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 | 0.004 | 0.017 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.019 | 0.046 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".