Performance Durable En Entreprises : Co-Construire Dans L'Autonomie – Pratiques De Gestion De La Connaissance Chez Fujitsu
Bibliographic record
Abstract
Titre anglais : Sustainable performance in organizations: co-creating in autonomy – Fujitsu Knowledge Management Practices _____ Cet article aborde la question des éléments de l'environnement de travail qui favorisent une performance d'équipe élevée. Il se base sur les bonnes pratiques de Fujitsu, dans l'équipe Macroscope basée à Montréal. Le texte s'adresse aux managers qui souhaitent mener leur équipe au succès ainsi qu'à toute personne intéressée. Objectif Cet article rend visible plusieurs éléments de leadership qui favorisent durablement une haute performance. Les exemples concrets partagés par l'équipe permettent au lecteur de modéliser ceux-ci dans sa propre activité. Finalement, un chapitre met en perspective les cultures japonaise et Québécoise, pour inviter à une réflexion plus globale. Méthodologie Après une période d'observation et d'intégration de six semaines, l'auteur a réalisé dix entrevues de 15 à 40 minutes auprès des membres permanents de l'équipe. Les résultats ont été rassemblés en fonction des thèmes récurrents. Un questionnaire non nominatif a permis de mesurer l'autonomie et les préférences de travail au sein de l'équipe (80 % de réponses). Des parallèles ont ensuite été faits avec divers modèles systémiques. Résultats Les observations confirment que l'autonomie et la coopération dans une équipe sont des facteurs clés pour atteindre une haute performance et la maintenir sur le long terme. Originalité, valeur Les 15 pratiques émergent des membres de l'équipe. L'auteur a facilité la démarche, en reliant a posteriori ces vécus aux connaissance actuelles en matière de dynamique de groupe. L'observation se fait dans une multinationale japonaise active au Québec. Le sujet traite des bonnes pratiques d'une équipe qui est dédiée aux bonnes pratiques (processus parallèle).
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.011 | 0.006 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".