La contribution du leadership à la construction de l'intelligence collective dans la production d'un bulletin de nouvelles télévisé
Bibliographic record
Abstract
Cette recherche aborde la contribution du leadership à la construction de l’intelligence collective dans une équipe de travail qui produit un bulletin de nouvelles télévisé. L’intelligence collective est une façon de travailler qu’ont développée les organisations hautement fiables, c’est-à-dire les organisations où la moindre erreur peut mener à la catastrophe. En favorisant la capacité de s’adapter à un environnement en constante évolution, le développement de l’intelligence collective permet aux organisations d’être plus compétitives dans un univers imprévisible. Nous avons tenté de voir si les mécanismes de construction de l’intelligence collective étaient présents dans une salle des nouvelles et comment le leadership émergent contribuait à la construction de ces mécanismes. Nous avons mobilisé les théories du sensemaking et de l’organizing de Weick et avons étudié les interactions entre les acteurs de l’organisation en contexte. \nL’analyse a montré comment un leadership distribué parmi les membres a contribué à l’émergence des mécanismes de l’intelligence collective. L’originalité de ce travail repose sur la mise en relation de l’observation du leadership en émergence et de la construction de l’intelligence collective. En ce sens, nous croyons qu’il peut contribuer aux recherches sur l’intelligence collective en présentant concrètement comment elle se construit dans une équipe de travail.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.011 | 0.006 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.025 | 0.004 |
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".