mentorat dans un contexte de départ massif à la retraite dans le secteur public : une réponse à la perte des connaissances tacites managériales
Bibliographic record
Abstract
Le secteur public québécois évolue dans un contexte de changement avec des départs massifs à la retraite des gestionnaires de la génération des baby-boomers. Ces départs posent un problème de perte des connaissances tacites managériales essentielles à la performance des ministères et organismes et à la qualité des services rendus aux citoyens. Cette recherche explore comment le mentorat peut agir comme mécanisme de partage des connaissances tacites managériales en contexte de changement entre les gestionnaires expérimentés et ceux des générations X et Y en investiguant les types de connaissances managériales partagées et acquises, de même que les conditions et mécanismes les favorisant. En adoptant une approche qualitative auprès de 52 mentorés et 11 mentors qui participent à un programme de mentorat gouvernemental, cette recherche montre que les connaissances tacites transférées aux jeunes gestionnaires par les mentors concernent l’environnement de la fonction publique, la gestion et la perception de soi comme gestionnaire. De plus, les résultats montrent que pour que le partage des connaissances tacites managériales soit effectif, la relation mentorale doit être structurée et souple et que les deux acteurs de la dyade aient recours à des mécanismes, tels que la déduction et l’induction, la simulation, l’observation, l’accompagnement et la mise en application des connaissances reçues suivie d’une rétroaction. Ainsi, cette recherche propose un cadre de partage des connaissances tacites managériales favorisant le développement accéléré des compétences des jeunes gestionnaires. En identifiant les conditions et mécanismes privilégiant leur partage, elle offre aux responsables organisationnels une démarche d’implantation de programmes de mentorat à partir de laquelle ils pourront s’inspirer.
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 | 0.005 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.005 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".