Introduction : Méthodes et stratégies de gestion de l'information par les organisations : des "big data" aux "thick data"
Bibliographic record
Abstract
La problématique de la gestion des données par les organisations n’est pas récente, mais l’accès à des données massives produites par le monde digital (e-commerce, requête internet, capteurs e-santé, objets connectés, etc.) conduit indéniablement les organisation à gérer, traiter, utiliser et réutiliser leurs données différemment voire à exploiter celles d’autres organisations. Confrontées à la pression concurrentielle, les organisations comptent sur la performance des technologies de l’information pour soutenir leurs processus organisationnels et pour les aider à maîtriser la masse d’information en circulation dans leur environnement interne et externe. Face à l’accumulation de données massives (big data) en milieu organisationnel (Bollier, 2010; Rudder, 2014), l’approche privilégiée pour en tirer un sens est celle de l’analyse quantitative menant à des démarches d’intelligence d’affaires (business intelligence), en vue de s’en servir pour la prise de décision et le passage à l’action (Cohen, 2013; Fernandez, 2013). Ceci conduit à l’idée dangereuse que des données statistiques seraient plus utiles et objectives et contribueraient à rendre les organisations plus efficaces et rentables (Bollier, 2010).
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 | 0.016 | 0.029 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.013 | 0.012 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.017 | 0.008 |
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".