Échouer à apprendre et apprendre à échouer des projets d'innovation : revue systématique de la littérature et validation empirique
Bibliographic record
Abstract
Les projets d'innovation sont reconnus pour être des projets très risqués, particulièrement ceux qui visent à développer des innovations radicales. Une part très importante de ces projets échoue. Des statistiques alarmantes confirment la prépondérance des échecs dans les projets innovants et illustrent les difficultés des entreprises à en atténuer l'ampleur. Ces échecs peuvent néanmoins constituer des opportunités uniques d'apprentissage pour les projets d'innovation dans le futur. Cependant, et même si le consensus semble établi, au sein des milieux académique et pratique, quant à l'importance de capitaliser sur les échecs et apprendre pour mieux performer dans les futurs projets d'innovation, les entreprises peinent encore à tirer avantage de leurs échecs passés. Cette thèse s'inscrit dans cette problématique de recherche. Son objectif général est, dans un premier temps, d'édifier un cadre conceptuel intégrateur de l'apprentissage de l'échec en matière d'innovation et de ses déterminants et de l'éprouver empiriquement pour le cas des PME manufacturières canadiennes et, dans un second temps, d'identifier des configurations de déterminants permettant de distinguer les PME selon leurs capacités réelles d'apprentissage de l'échec en matière d'innovation. L'atteinte de cet objectif général a nécessité la réalisation d'une revue systématique de la littérature sur l'apprentissage de l'échec en matière d'innovation et de ses déterminants, ainsi que la conduite de plusieurs analyses orchestrées autour de deux volets empiriques faisant appel à la méthode de modélisation par équations structurelles et à la méthode des ensembles flous, respectivement. Les résultats de ces analyses basées sur un échantillon de 436 entreprises manufacturières innovantes localisées dans la région de la Montérégie au Québec, ont permis entre autres de tester le cadre conceptuel intégrateur édifié suite à la revue systématique sur l'apprentissage de l'échec en matière d'innovation et ses déterminants. Les résultats des quatre configurations structurelles obtenues mettent en évidence l'importance des stratégies organisationnelles (approche de résolution des problèmes et de blâme) et des déterminants individuels (la maîtrise personnelle, la sécurité psychologique) dans l'explication de l'apprentissage de l'échec en matière d'innovation. La méthode des ensembles flous, utilisée dans le deuxième volet empirique de cette thèse, a permis d'identifier quatre combinaisons de déterminants sur lesquelles les entreprises peuvent capitaliser pour apprendre des échecs de leurs projets d'innovations. Ces quatre combinaisons représentent quatre différents chemins que les entreprises peuvent emprunter pour apprendre des échecs de leurs projets d'innovation passés. La revue systématique de la littérature et les résultats des deux volets empiriques de la thèse ont permis de dégager des implications, en vue de contribuer à l'avancement des connaissances sur cette thématique, et de proposer des pistes d'action aux gestionnaires et aux intervenants concernés par la gestion de l'innovation dans les entreprises, particulièrement les PME.
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 | 0.124 | 0.297 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.004 |
| Bibliometrics | 0.010 | 0.011 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.024 | 0.014 |
| Open science | 0.004 | 0.007 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.020 | 0.005 |
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".