MétaCan
Menu
Retour à la cohorte
Enregistrement W4237469753 · doi:10.1080/14479338.2016.1265054

Innovation, creativity and governance: Social dynamics of economic performance in city-regions

2016· article· en· W4237469753 sur OpenAlexafffund
David A. Wolfe, Allison Bramwell

Notice bibliographique

RevueInnovation · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCultural Industries and Urban Development
Établissements canadiensUniversity of Toronto
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésCreativityCorporate governanceEconomic geographyRelevance (law)Urban economicsEconomic systemKnowledge economyCreative CitiesFace (sociological concept)Social dynamicsService (business)BusinessEconomicsEconomyPolitical scienceSociologySocial scienceManagement

Résumé

récupéré en direct d'OpenAlex

The pressure towards a globalizing, knowledge-based economy raises questions about the underlying determinants of economic performance in city regions. The creation and diffusion of new knowledge drives innovation in knowledge-intensive production and service activities, which in turn, drives economic performance and growth. Although these processes are strongly shaped by national institutions and global knowledge flows, recent analyses of innovation and creativity emphasize the continuing relevance of regions in general and urban regions in particular as critical sites for determining economic performance. This work also suggests that the underlying social dynamics of urban regions are particularly significant in shaping economic outcomes. This paper explores some recent evidence on the social nature of innovation dynamics in urban regions, the increasing significance of talent and creativity in urban economies and their implications for the economic performance of city regions. It concludes with a discussion of the need for the strategic management of urban economies to cope with the challenges they face.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0020,006
Communication savante0,0060,003
Science ouverte0,0010,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,299
Écart entre enseignants0,251 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInnovationMême sujetCultural Industries and Urban DevelopmentTravaux en français237 207