La numérisation comme accélérateur de l’internationalisation des PME… Les compétences numériques comme carburant !
Bibliographic record
Abstract
Les entreprises à internationalisation rapide et précoce (EIRP) font encore l’objet de nombreuses curiosités dans le paysage international du commerce international. En effet, ces entreprises suivent une vitesse d’internationalisation plus rapide que les PME traditionnelles, et semblent donc générer une croissance plus importante sur le court terme. Parmi les facteurs pouvant expliquer une partie de leur réussite sur les marchés, l’utilisation des outils numériques semble agir comme un facilitateur de leur internationalisation. Cependant, aujourd’hui, de nombreuses interrogations subsistent quant aux compétences associées à ces outils. Cet article a donc pour objectif d’explorer le lien entre la vitesse d’internationalisation de ces EIRP et les compétences numériques développées. Nos résultats font apparaître l’existence de trois principales compétences numériques : les compétences analytiques numériques, les compétences opérationnelles numériques et les compétences marketing international numériques. Enfin, nous proposons un modèle représentant les liens entre chacune de ces compétences et la dynamique associée.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.005 |
| Scholarly communication | 0.008 | 0.008 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.022 | 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".