Curiosity signpost: Leverage alumni capital for business
Notice bibliographique
Résumé
Kevin Boylan slowly pours water onto the fire. Flames rise high in the sky. The audience gasps. Boylan reminds families at the fire station open day of the dangers of a grease fire. As with many firefighters, Boylan’s role affords him time for another venture, in his case, as co-founder of Firecloud365. A cloud-based fire safety software company, Firecloud365 targets public sector and hotel industry clients with large-scale building works. As a start-up, Boylan and co-founder Ryan Bradley participated in New Frontiers, an entrepreneurship acceleration programme. The co-founders received mentorship support, funding, and incubation space in the CoLab on the Letterkenny Institute of Technology campus, Boylan’s alma mater. The Institute was among the company’s first clients, offering Firecloud 365 credibility in the marketplace. In return, the Institute secured a fire safety system to align with its risk management portfolio. Stories like Firecloud365 show the immense potential of our alumni capital for start-up business success. The alumni-alma mater as a symbiotic relationship in action. Symbiotic indeed. A recent University of Toronto Instagram post included this attention-grabbing caption: ‘Did you know #UofT has helped over 350 start-ups scale and bring their ideas to market?’ When I fact checked this post two years later, this number had jumped to 500.1 Other universities can also boast this claim. The scale might be different, but the sentiment is the same: universities support business. Our alma mater provides the tools, knowledge, and support for us to allow our business acumen to shine. While entrepreneurial universities are not new,2 an emerging trend is the key role of the university in the local economy to foster business growth. As part of the entrepreneurial ecosystem,3 universities offer start-up incubation space, research support, technology transfer offices, and technology parks. They support spin-off companies and acceleration programmes, even academic courses designed specifically to meet industry requirements.
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 | 0,004 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,003 |
| Communication savante | 0,015 | 0,009 |
| Science ouverte | 0,001 | 0,017 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,140 | 0,062 |
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 ».