Public Funding for AI in Canada 2011-2022: An equity-focused environmental scan
Notice bibliographique
Résumé
Abstract Background In this new equity-driven landscape, if there is to be system-wide transformation in research funding allocation, indicators of funding allocations need to be explored. This environmental scan aims to understand how research funding for artificial intelligence (AI) has been allocated and distributed in Canada from 2011-2022. Using geographical representations, we describe and map research funding for Canadian researchers by publicly funded granting agencies and provide analyses for AI research spending since 2011 Methodology We developed a rapid environmental scan to create a database of all AI funded projects from the following agencies: CIHR, NSERC, SSHRC, CRC, AMS, NFRF and CFI. Using publicly available research funding reporting and agency websites, we identified through title, keyword and project summary screening, AI projects in English and French for the years 2011-2022. Principal Findings A total of 4112 projects were identified, with the following information for each project recorded: title, year, institution, city, province, total funding, language, funding agency, funding program and primary investigator. A total of $384,933,265.74 million was allocated for publicly funded AI related projects in Canada from 2011-2022. Average funding per project was $93,612.18. The top three provinces with the most funding for all years are Ontario, Quebec, and British Columbia. The top three funding agencies by total amount for all years were NSERC at $155,267,817, CIHR at $136,594,644, and CFI at $58,317,627 Conclusion This information can assist in accountability and understanding of Canada’s publicly funded research allocations, and provide information related to the distribution of such funds, thus informing equity policy strategies.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».