Evidence‐Based Intellectual Property Policymaking: An Integrated Review of Methods and Conclusions
Notice bibliographique
Résumé
Governments have long been interested in making intellectual property (IP) policy based on sound evidence. There is a large body of literature addressing the economic impacts of IP, but little of it is accessible to policy makers. This article aims to improve understanding of how IP contributes to the economic performance of a country's innovative sectors. A detailed literature review and meta‐analysis identifies existing methodologies and analytical frameworks. The article organizes the literature and conclusions into four major archetypes, and explains the advantages/disadvantages of each approach. First, data for advocacy is used primarily by special‐interest lobby groups. This literature is accessible to policy makers, but rarely transparent, verified or peer reviewed. Second, valuations of aggregate economic contributions of IP‐related industries are influential worldwide. This literature usefully allows us to compare data internationally, but makes unfounded or misleading assumptions about the importance of IP to a particular industry. Third, innovation indices and rankings are increasingly used to assess comparative progress over time. This literature reports on a broad‐base of IP and innovative activity, but risks turning into a statistical horse race. Fourth, the literature on scholarly theoretical and empirical research and modelling is extensive. This literature often relies on sound evidence, but tends to use the available information—patent data—without explaining the context in which firms may or may not choose to use formal IPRs. It is also rarely accessible to policy makers in the format or timelines required. None of these frameworks alone are fully capable of providing complete, reliable information about the economic importance of intellectual property in any one particular country. An approach that positions and integrates various frameworks, methods and data sources is, therefore, appropriate. The key challenge for the future is to connect empirical data and micro‐economic analyses about firms’ strategic responses to IP policy changes with statistics and macro‐economic insights on overall economic performance or social welfare.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,085 | 0,252 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,008 | 0,007 |
| Bibliométrie | 0,027 | 0,024 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,009 | 0,010 |
| Science ouverte | 0,007 | 0,006 |
| Intégrité de la recherche | 0,008 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».