Bibliographic record
Abstract
Résumé Alors que l’approche rationnelle et quantitative a dominé la recherche en gestion des opérations (GOP) au cours des dernières décennies, les méthodes qualitatives sont très appropriées pour étudier les phénomènes de GOP dans le monde réel et pour influencer la pratique managériale. Le format du groupe de discussion est moins fréquemment utilisé que les entretiens individuels dans la recherche qualitative en gestion des opérations. Pourtant, il existe un courant de recherches intéressantes et pertinentes qui rendent compte de l’application réussie de cette technique, qui convient parfaitement à la recherche exploratoire. Plus précisément, les groupes de discussion permettent de recueillir des données riches auprès d’un grand nombre d’individus afin d’éclairer une question de recherche nouvelle, complexe ou mal comprise du point de vue des personnes qui vivent le phénomène. Ce chapitre illustre cette technique en décrivant pourquoi et comment elle a été utilisée pour répondre à la question de recherche suivante : comment les responsables qualité participent-ils au processus de transformation digitale de leur entreprise ? Ce chapitre encourage les managers chercheurs et autres chercheurs en début de carrière à envisager l’utilisation cette technique de recherche pour recueillir tout ou en partie leurs données empiriques.
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 | 0.030 | 0.053 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.007 | 0.017 |
| Scholarly communication | 0.019 | 0.015 |
| Open science | 0.003 | 0.009 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.080 | 0.014 |
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".