Création de valeur avec la communauté et innovation de modèle d'affaires : une exploration sur base des Learning Management Systems open source
Bibliographic record
Abstract
Les communautés liées aux projets de logiciels libres tendent à être vues comme des soutiens aux éditeurs open source. Pourtant, la communauté peut aussi être le centre de conflits parfois violents, notamment lors de changements de stratégies ou de modèles d'affaires, qui peuvent conduire au fork, c'est-à-dire à une scission de la communauté, avec à la clef l'apparition d'un projet concurrent vers lequel la migration est facilitée. En repartant des recherches de Viseur et Charleux (2019) dédiées à l'écosystème Claroline, nous analysons l'effet de l'innovation de modèle d'affaires sur le projet Claroline et ses dérivés (Dokeos, Chamilo). L'innovation de modèle d'affaires, étudiée en mobilisant sur l'éditeur open source Dokeos le concept de cycle de vie d'un modèle d'affaires de Laudien et al. (2017), peut être une source de conflits. Ces derniers sont analysés en nous basant sur le modèle « Exit, voice and loyalty » d'Hirschman (2017). Nous montrons que la communauté constitue une ressource que l'éditeur peut ou non choisir de mobiliser, ou de conserver, en fonction de ses valeurs et de sa stratégie de croissance.
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 | 0.011 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.005 |
| Scholarly communication | 0.010 | 0.011 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 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".