De l’expertise de l’entrepreneur à l’expertise distribuée : une approche cognitive de la prise de décision en faveur de l’innovation dans les PME de hautes technologies
Bibliographic record
Abstract
L’objet de cette recherche est d’analyser la démarche cognitive de l’entrepreneur lors de la prise de décision dans les PME de hautes technologies. Dans ce type d’entreprise, les entrepreneurs qualifiés d’experts auraient tendance à mobiliser la logique d’effectuation dans la démarche entrepreneuriale. La question de l’agencement entre l’expertise centrée sur la technique et la logique d’effectuation se pose alors. Nous analysons cette question en croisant deux cadres théoriques complémentaires : la logique d’effectuation et la notion d’expertise issue des sciences de l’éducation. Si la littérature a montré l’effet de l’expertise technique dans la résolution de problèmes, nous posons l’hypothèse qu’elle structure également les activités prédictives de la prise de décision et donc l’expertise entrepreneuriale. Cette recherche est soutenue par une méthodologie de recherche-action participative menée durant 30 mois dans un pôle de compétitivité de hautes technologies et tend à valider empiriquement la pertinence des deux grilles conceptuelles mobilisées. Nos résultats mettent en évidence, d’une part, l’effet de l’activité métacognitive de l’entrepreneur dans le processus décisionnel et, d’autre part, la constitution d’une organisation, centrée sur la cognition, capable de soutenir l’expertise entrepreneuriale par la sécurisation de la prise de décision. La contribution majeure de cet article réside dans la révision du concept d’expertise non seulement en tant que ressource, mais également en tant que processus cognitif apportant alors une dimension structurante à l’expertise entrepreneuriale.
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 | 0.009 | 0.040 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.008 | 0.009 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.001 |
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".