<i>Advocacy,</i> promotion et positionnement des professionnels de l’information : les cas de l’Université de Montréal, de l’Université du Québec à Montréal et de HEC Montréal
Bibliographic record
Abstract
La gouvernance de l’information requiert la collaboration de différents acteurs organisationnels et la coordination de leurs actions. Le professionnel de l’information doit être en mesure, d’une part, de mobiliser les différents acteurs autour des enjeux de la gouvernance de l’information ou, d’autre part, d’être invité à participer à la mise en oeuvre d’initiatives en gouvernance de l’information. Cela suppose donc, de la part des autres acteurs impliqués, une reconnaissance de son expertise. Cette reconnaissance nécessite souvent la mise en place d’une stratégie d’advocacy. Le terme advocacy peut référer à diverses notions dont la défense des intérêts, la mise en place de plaidoyers pour soutenir et mieux faire connaître les activités du professionnel de l’information, la sensibilisation, la promotion ou encore le lobbying. La mise en oeuvre d’activités de positionnement doit intégrer une approche stratégique qui requiert également de prendre en compte les notions de pouvoir et d’influence en relation avec les autres acteurs organisationnels. Deux directrices et un directeur du milieu universitaire présentent quelques moyens mis en place dans leur organisation pour positionner leur service et les professionnels de l’information qui y oeuvrent.
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 | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.007 |
| Science and technology studies | 0.020 | 0.009 |
| Scholarly communication | 0.017 | 0.005 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.048 | 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".