Gestion des risques de la transformation numérique des PME : une analyse de genre1
Bibliographic record
Abstract
En matière de gestion des risques à l’ère numérique, les différences et les similitudes entre les hommes et les femmes dans leur façon d’agir et d’interagir au sein des écosystèmes d’affaires demeurent, à la fois, sous-explorées et souvent mal comprises. Une situation qui peut conduire à la persistance de certains mythes. Les connaissances existantes ne permettent pas de comprendre comment ces acteurs abordent et gèrent les opportunités et les menaces uniques présentées par leurs contextes d’affaires respectifs, en particulier dans le contexte des petites et moyennes entreprises (PME) qui s’engagent dans une transformation numérique. Cette étude exploratoire mobilise une analyse de Procuste aléatoire pour évaluer et comparer les cadres conceptuels utilisés par les femmes et les hommes en affaires. Guidée par un cadre interprétatif socioécologique multiniveaux, cette étude apporte une compréhension affinée de la gestion et de la prise de risque selon le genre à l’ère numérique. Les contributions théoriques comprennent l’identification des points de tension liés au genre aux niveaux individuel, interpersonnel, organisationnel et écosystémique. En précisant où convergent et divergent leurs décisions et leurs actions respectives, une contribution pratique est de guider les pratiques managériales et d’accompagnement de manière parfois partagée, parfois différenciée.
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 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 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".