Navigating the Policy Landscape: Strategic Responses of Innovative Firms
Notice bibliographique
Résumé
Public policies, legal rulings, and government programs provide a vital backdrop for the innovative activities of firms. Although government initiatives are often launched with great fanfare and praise, their effects on innovative activity remain a matter of ongoing controversy and debate. Public policies may also affect innovative activity in ways that are indirect and difficult to disentangle. This presenter symposium assembles three studies that provide new and complementary vantage points for probing the effects of public policies on the strategic responses of innovative firms. Although the papers share a common focus on policies in the U.S. context, they feature different levers aimed at managing innovation at the international, domestic (cross-state), and regional levels. With a prominent strategy scholar as a discussant, our aim is to shed light on commonalities and contrasts across the studies and the generalizability of the findings. Acquisition Market Thickness and R&D Investments: Evidence from National Security Restrictions Author: John McKeon; Boston University Author: Zeyang Xue; Boston University Author: Rosemarie Ziedonis; Boston University Enhanced Employer Intellectual Property Rights: Effects on Inventor Mobility and Startup Creation Author: April Burrage; Stanford University Drivers of Firm-Government Engagement for Technology Ventures Author: Lauren Lanahan; University of Oregon Author: Iman Hemmatian; California State Polytechnic University-Pomona Author: Amol M. Joshi; Wake Forest University Author: Evan Johnson; University of North Carolina at Chapel Hill
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 | 0,002 |
| 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 ».