KBE Frameworks and Their Applicability to a Resource-based Country: The Case of Brunei Darussalam
Notice bibliographique
Résumé
Knowledge is generally considered to be one of the most important drivers of economic growth. The difference between a knowledge-based economy (KBE) and a resource-based one is that in the former, the main competition between individuals, firms, and countries is the ability to innovate. Other forms of competition, for example through pricing strategies and access to resources, become secondary. Generally, knowledge is information combined with technology that dramatically increases its impact when shared. Organizations such as the Organization for Economic Cooperation and Development (OECD), Asia Pacific Economic Cooperation Forum (APEC), Australian Bureau of Statistics (ABS) and the World Bank Institute (WBI) have developed different KBE frameworks to indicate the extent of countries’ knowledge base and implicitly to guide policy. But these frameworks have little in theoretical underpinnings and applying them universally across all countries in different regions, at different stages of development and with different institutional, social and economic characteristics may be misleading and result in inappropriate policy responses. In this paper we propose a framework that clearly distinguishes input-output indicators of a knowledge-based economy under four important dimensions: knowledge acquisition, knowledge production, knowledge distribution and knowledge utilization, and attempt to adapt them in a practical policy oriented approach for an economy like Brunei Darussalam, which is attempting to transform from a resource-based to a knowledge-based economy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».