The Frontier Research in Commercialization and Diffusion of Science
Notice bibliographique
Résumé
The symposium on the diffusion and commercialization of science delves into the critical role of scientific knowledge in driving innovation and economic growth. It addresses the challenges and strategies involved in using publicly available scientific knowledge for commercial applications. The symposium brings together researchers studying the commercialization and diffusion processes, focusing on how firms access and utilize scientific knowledge, the role of universities and scientists in the diffusion of scientific knowledge, and the impact of successful commercialization on science itself. These papers range from the development of novel measures to examine the commercial potential of scientific research to exploring the impact of media and social media in disseminating scientific knowledge and investigating the interplay between corporate and academic research in the development of enabling technologies like quantum computing. Given the decline in corporate science over the last few decades, the challenge for firms is effectively leveraging scientific discoveries from universities and research institutions. The papers in the symposium offer important implications for businesses and research institutions striving to bridge the gap between scientific research and commercial application. Commercial Potential of Science and its Realization: Evidence from a Measure Using a LLM Author: Roger Masclans Armengol; Fuqua School of Business, Duke U. Author: Sharique Hasan; Fuqua School of Business, Duke U. Author: Wesley Cohen; Duke U. The Folding Effect: Dimensional Shifts and Reorientation in Organizational Search Author: Sukhun Kang; UC Santa Barbara Escaping the Ivory Tower: Media Coverage and the Commercial Diffusion of Science Author: Saqib Mumtaz; Haas School of Business, UC Berkeley Exploring the Role of Social Media in the Diffusion of Research Author: Yotam Sofer; Copenhagen Business School - Department of Strategy and Innovation Overcoming the Division of Labor in Scientific Research for Complementary Innovation Author: Avi Goldfarb; U. of Toronto, Rotman School of Management Author: Jino Lu; Washington U. in St. Louis, Olin Business School Author: Florenta Teodoridis; California Southern U.
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 | 0,008 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,012 |
| Communication savante | 0,011 | 0,022 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».