<scp>TRIPS</scp> and knowledge diffusion from low‐ and middle‐income countries
Notice bibliographique
Résumé
Abstract Research Summary We examine a significant yet underappreciated effect of IPR implementation: the dissemination after TRIPS implementation of established scientific knowledge from low‐ and middle‐income countries (LMICs) into the global scientific system of pharmaceutical development. The staggered implementation of the policy allows identification of increased diffusion of pre‐existing LMIC knowledge on global diseases into the global corporate invention pipeline. For neglected diseases, the uptake remains in academic science. Other results demonstrate institutional effects in the scientific communities in LMICs through increases in scientific productivity, cross‐border collaborations, and scientist mobility. These and other results recast TRIPS’ impact as sensitive to the incentives of global corporations and institutionally significant for LMICs. We discuss implications for research on innovation strategy. Managerial Summary The implementation in an LMIC of an intellectual‐property system (e.g., of patents) carries implications for dissemination of pre‐existing scientific knowledge from the implementing country into the global scientific system. Corporate invention more intensively incorporates pre‐existing LMIC knowledge when the subject is global diseases such as cardiovascular conditions and cancer. However, when the subject is neglected diseases such as infectious conditions, the significant uptake remains in academic science. Overall, this research suggests that the implementation of patent and other intellectual‐property protections influences the integration of LMIC science into the global system differentially based on the relevance for global commercialization.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».