Les processus optimisant le partage du leadership chez une relève en fratrie d'une entreprise familiale
Bibliographic record
Abstract
En 2018, la Fédération canadienne de l’entreprise indépendante annonçait un départ massif à la retraite de 72 % des propriétaires de petites et moyennes entreprises d’ici 2028 (Cruz, 2018). Comme la majorité d’entre elles sont des entreprises familiales (EF), l’enjeu de relève les concerne particulièrement. Il appert que la succession en fratrie est courante chez les EF (Deschamps & Cisneros, 2012; Gersick, Davis, Hampton, & Lansberg, 1997; Lansberg, 1999). Selon Gersick et al. (1997), le partage du leadership constitue l’un des défis d’évolution de ce mode de reprise. La présente recherche-intervention se donne donc l’objectif d’explorer les processus optimisant le partage du leadership chez les membres d’une fratrie. Pour ce faire, trois membres d’une fratrie identifiée comme la relève de leur EF ont été recrutés. Un mode exploratoire de recherche a été adopté pour documenter l’intervention réalisée, suivant un devis qualitatif et une trajectoire longitudinale. Ainsi, la collecte de données s’est échelonnée sur 21 mois et s’est appuyée sur des entrevues individuelles, des groupes de discussion et un journal de bord. Les données récoltées ont ensuite été soumises à une analyse par catégorie conceptualisante. Parmi l’ensemble des phénomènes observés au cours de la recherche, trois ont été reconnus comme particulièrement significatifs pour la doctorante-praticienne-chercheuse et les participants : l’apprivoisement des tabous, l’adoption d’une éthique de la communication et la naturation relationnelle. La présente recherche contribue à bonifier le bassin restreint de publications étudiant les EF en empruntant une méthodologie qualitative (de Massis, Sharma, Chua, & Chrisman, 2012; Fletcher, de Massis, & Nordqvist, 2015; Reay & Zhang, 2014).
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 | 0.014 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
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".