Les enjeux et les défis de la gestion stratégique du changement dans les organismes de développement local au Québec : pour une meilleure performance organisationnelle
Bibliographic record
Abstract
SOMMAIRE La grande majorité des études empiriques portant sur la gestion stratégique du changement est dédiée aux grandes entreprises ou à l'administration publique.Le cas des OBNL de développement local pourrait à première vue s'apparenter au secteur public, mais leur position diffère de par leur mission territoriale et forme juridique, situées au carrefour d'intérêts citoyens et des bailleurs de fonds permettant leur existence.Ainsi, cette recherche traite de la gestion stratégique du changement en regard des enjeux et défis propres aux organismes de développement local, dans le but de mieux comprendre leurs processus transformationnels.Spécifiquement, elle vise à cerner des variables interrelationnelles qui influencent leur culture et leur capacité de changement.Le recoupement de données a permis de relever des facteurs de réussite et d'échec servant à identifier plusieurs pistes d'orientation.Les résultats obtenus démontrent l'impact du style de leadership dans le changement.Les OBNL qui ont su adopter un style de leadership persuasif ou participatif ainsi qu'un plan de déploiement souple ont connu de meilleurs résultats.Or, le succès des réformes nécessite aussi une cohérence entre le discours, la mission et l'action.Cette cohérence alliée à une temporalité adaptée des transformations est indispensable à l'adhésion des destinataires du changement et à sa légitimité.Somme toute, le leader doit gérer des zones d'incertitudes, des mécanismes de support et d'évaluation afin de favoriser le changement.Au terme de l'analyse, un schéma intégrateur de la gestion du changement dans les OBNL à l'étude a été illustré, faisant ressortir clairement l'importance de comprendre, mobiliser, supporter et ajuster les interventions dans un système ouvert.Puis, des suggestions de répondants à l'étude sont apportées dans l'objectif d'augmenter le potentiel de r~ussite des changements stratégiques, et ce, pour atteindre une meilleure performance organisationnelle.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| 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".