L’impact de l’évolution des réseaux sociaux sur l’écart de compétences en marketing digital : enjeux et stratégies d’adaptation des entreprises
Bibliographic record
Abstract
À l’ère de la transformation numérique, les réseaux sociaux redéfinissent en profondeur les pratiques marketing des entreprises. Leur évolution rapide génère toutefois de nouveaux défis, notamment l’émergence d’un fossé de compétences entre les exigences du marché et les capacités réelles des professionnels du secteur. Ce mémoire s’intéresse à l’impact de cette dynamique sur les entreprises, en analysant les difficultés rencontrées et les stratégies mobilisées par les gestionnaires pour combler cet écart. L’étude repose sur une approche qualitative menée auprès de dix gestionnaires situés au Québec et en Côte d’Ivoire, deux contextes socio-économiques contrastés, mais confrontés à des enjeux similaires en matière de marketing digital. Les résultats révèlent que les compétences techniques, analytiques et créatives sont perçues comme prioritaires, bien qu’inégalement maîtrisées selon les ressources disponibles, la culture organisationnelle et le rythme d’adaptation au changement. Cette recherche enrichit la littérature existante en actualisant le modèle de Royle et Laing (2014) et en introduisant une perspective comparative nord-sud encore peu explorée. Elle propose également des recommandations concrètes pour soutenir la formation continue, encourager l’agilité managériale et renforcer l’adaptation stratégique des entreprises dans un environnement numérique en constante mutation.
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 | 0.004 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.009 |
| Scholarly communication | 0.011 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.001 |
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".