Do Universities Lead the Patenting Race for AI-based Inventions Tackling Grand Challenges?
Notice bibliographique
Résumé
University patenting plays a crucial role in technology development. Trajtenberg, Henderson and Jaffe (1997)'s seminal work on a US-based dataset showed that university patents imply significantly more spillovers than industry patents due to a greater reliance on science and, as shown by other literature, a significantly greater knowledge disclosure. Surprisingly, only few studies dig into the differences between university and corporate patenting. In this paper, we therefore focus on the role of University patenting in the case of emerging technologies using the example of green-AI technologies – inventions that include artificial intelligence to solve some of the Grand Challenges of the 21st century. It is an interesting case as universities are encouraged to contribute more to such technologies and companies have invested heavily in fundamental AI research. Based on an analysis of 11,502 patent families, we show that overall, Trajtenberg et al. (1997)'s findings hold in the case of this emerging field. However, we demonstrate that for these initial results to hold, the technology field needs to reach sufficient maturity and university contributions are much less in the actual state of technology emergence (i.e., within the first 15 years). We also show that the role of universities is contingent on geographical factors: it only holds for Chinese university patenting activities. Our results have substantial implications for theory and practices, notably regarding the conditions for policymakers to encourage universities to patent in an emerging phase of technology development as well as for the specific case of green-AI technologies that contribute to tackling Grand Challenges.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».