Démarche de labellisation numérique responsable en PME : étude croisée des motivations et des craintes des parties prenantes internes
Bibliographic record
Abstract
L’Institut numérique responsable, en partenariat avec l’agence Lucie, a créé en 2019 le label Numérique Responsable (NR) français. L’objectif de notre étude est de comprendre les motivations et craintes des dirigeants et salariés de PME dans une démarche de labellisation RSE et de mettre en évidence les convergences et divergences entre les perceptions de ces acteurs, au regard de la théorie des parties prenantes et de l’analyse crozierienne. Une observation non participante et des entretiens semi-directifs ont été effectués au sein d’une PME du numérique ayant engagé un processus d’obtention du label NR. Les résultats montrent que les motivations et craintes des dirigeants, multiples et imbriquées, déteignent sur les perceptions des salariés. Ils montrent aussi que si les dirigeants détiennent une forme de pouvoir statutaire et les ressources informationnelles nécessaires à la mise en place de la démarche de labellisation, les salariés détiennent une forme de pouvoir importante liée à leur désir de s’impliquer et à leur volonté et capacité de véhiculer les valeurs essaimées par les dirigeants auprès de leurs collègues en interne et des parties prenantes externes.
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 | 0.011 | 0.018 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
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".