Capacités stratégiques et innovation de produits dans les PMI: Une approche gestaltiste
Bibliographic record
Abstract
Dans une économie mondialisée et fondée sur le savoir, les PMI doivent développer les capacités stratégiques qui leur permettent de maintenir et accroître leur niveau d'innovation, soit non seulement leur capacité de recherche et développement (R&D) et leur capacité technologique (assimilation de technologies de fabrication et d'information), mais aussi leur capacité réticulaire (établissement et participation à des réseaux aux fins d'intégration et de coopération avec des partenaires d'affaires). Bien que des recherches antérieures aient examiné ces capacités en tant que déterminants de l'innovation, cela a été fait plutôt d'une perspective universaliste (« best practices ») que contingente ou gestaltiste. Abordant la question de cette dernière perspective, on présumera que les capacités des PMI ne contribuent à l'innovation que dans la mesure où elles sont « co-alignées » stratégiquement, c'est-à-dire qu'elles constituent des configurations ou des « gestalts » qui sont l'essence même de la stratégie d'innovation de ces entreprises. Ce qui nous amène à poser les deux questions de recherche suivantes: Les capacités de R&D, réticulaire et technologique des PMI sont-elles co-alignées de sorte que l'on puisse observer différentes gestalts organisationnelles? Et ce co-alignement stratégique at -il des effets positifs sur l'innovation? Pour répondre à ces questions, cette communication présente les résultats d'une étude effectuée auprès de 208 PMI canadiennes et 78 PMI françaises. Thème de la communication : 10 – PME innovantes
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 | 0.007 | 0.013 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.019 | 0.014 |
| Open science | 0.004 | 0.006 |
| Research integrity | 0.005 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 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".