Applying a Hybrid Multiple Attribute Decision-Making Model to Evaluate the Improvement Strategy for Effective Technology Transfer Modes
Notice bibliographique
Résumé
With the unprecedented growth of technological advancement, effective technological transfer has become increasingly important in all dimensions of human lives.Technological transfer is a multi-level and complex ecosystem network with complicated inter-relational elements and effective factors.This complexity raises the question of how to rearrange the elements of the technology transfer to improve its positive performance.To address this issue, this study aims to compare the performance and gaps of the three modes of technology transfer, which are technology entrepreneurship, technology licensing, and technology shareholding, by evaluating the three participants, which are universities/research institutes, corporations, and intermediary agencies, using related attributes.This study applies a hybrid multiple attribute decision-making (HMADM) model including the DEMATEL for constructing the INRM, DANP for computing influence weights, modified VIKOR for evaluating the performances and gaps among the three technology transfer modes so that to develop sustainable and systemic improvement strategies.At the macro level, the results show that, the technology transfers modes receive an overall positive effect, especially universities/research institutions.At the micro level, the technology licensing has not only the highest performance but also the largest gap.According to this finding, technology licensing is the most feasible way to cater to technology transfer at the macro level from the micro level.The findings suggest decision makers pay attention to the role of universities/research institutes as the main factor influencing technology transfer effectiveness.Also, they should focus on influential attributes such as researcher participation and technical collaboration ability for reducing the gap.
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) | 0,001 | 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 | 0,001 | 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 ».