Informational horizons and folksonomies : the case of the actors of Ubisoft
Bibliographic record
Abstract
Notre thèse se déroule dans une entreprise mondiale vidéo ludique. Dans cet univers où les restrictions d’accès à l’information sont nombreuses, où les projets habituellement gérés par lieux sont désormais développés inter studios, les acteurs y sont confrontés à de nombreux silos et le KM devient un enjeu d’autant plus stratégique. Quelles sont les sources d’information que les acteurs du jeu vidéo utilisent, les critères qu’ils appliquent et les barrières qu’ils rencontrent ? Comment sont positionnés les outils web 2.0 dans ce paysage numérique ? Quels axes de déploiement pour une folksonomie d’entreprise ? En suivant la méthodologie horizon informationnel de Savolainen, notre étude exploratoire repose sur des entretiens menés au studio Ubisoft de Montréal où nos 29 participants plaçaient leurs sources d’information sur des cartes mentales. Ces données sont complétées par celles relatives au déploiement des tags dans l’organisation. Nous proposons une nouvelle catégorisation de sources et confirmons la typologie de critères de Savolainen. Nous éclairons l’impact d’une temporalité variable entre les équipes de production et support sur leurs pratiques informationnelles. Nous constatons que le déploiement de la folksonomie n’a pas permis d’appliquer la vision initiale associée. Nous affirmons que les folksonomies peuvent encore jouer un rôle majeur dans ces applications si elles bénéficient du support technologique nécessaire à leur déploiement. Elles contribueraient ainsi à la facilitation du parcours informationnels des acteurs de l’organisation, pour qui les premières sources d’information restent les collaborateurs et les outils pour échanger ensemble.
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 | 0.005 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.005 | 0.011 |
| Science and technology studies | 0.006 | 0.006 |
| Scholarly communication | 0.013 | 0.010 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".