Jean-Paul Lafrance (2018), Promesses et mirages de la civilisation numérique , Montréal, Éditions Liber, 176 p.
Bibliographic record
Abstract
Peu d’études ont porté sur l’impact du genre dans l’usabilité des outils d’innovation. Cet article analyse l’expérience d’utilisation du Business Model Canvas (BMC) par 204 étudiants inscrits à une formation entrepreneuriale afin d’identifier les bénéfices perçus du BMC en prenant en compte le genre. L’analyse des données avec la technique des Moindres Carrés (PLS) montre que les hommes sont plus sensibles aux bénéfices fonctionnels, pendant que les femmes sont ouvertes à d’autres bénéfices comme le potentiel créatif de l’outil. Ces résultats confirment l’intérêt de la diversité du genre dans les équipes d’innovation : les groupes mixtes tendraient à prendre en considération à la fois le biais masculin de la performance et le biais féminin lié aux aspects subjectifs de l’outil. Plus de diversité pourrait donc amener à une utilisation plus équilibrée des bénéfices fonctionnels et cognitifs du BMC dans les équipes innovantes et les groupes de création d’entreprises. Codes JEL : D83, L26, O33
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.007 | 0.008 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.054 | 0.019 |
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".