Evaluating the maturity of supporting NTBF policy: evolutionary analysis of two key laws in Iran
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Policy evaluation has spread rapidly around the world in the last few decades. This study develops and applies a policy maturity model to evaluate the evolution of two significant innovation policies in Iran: the Law on Supporting Knowledge-Based Institutions and Companies (2010) and the Knowledge-Based Production Leap Act (2022). The study focuses on new technology–based firms (NTBFs), known as ‘knowledge-based firms’, which play a crucial role in fostering innovation and economic development. Employing a qualitative methodology, this research integrates a systematic literature review with in-depth interviews conducted with 15 national innovation policy experts. The proposed model identifies four distinct levels of policy maturity, ranging from Undefined to Broad Perspective. Findings reveal that the 2010 law aligns with a Narrow Perspective, characterized by government-centric interventions. In contrast, the 2022 act reflects an Intermediate Perspective, reflecting increased cooperation between public and private sectors. To progress towards the Broad Perspective—where civil society plays an active role—this study recommends strengthening macrolevel governance, institutionalizing transparent evaluation and learning mechanisms, promoting stakeholder engagement, and enhancing the resilience of innovation policies. The research contributes theoretically by offering a structured framework for evaluating innovation policies in developing countries, addressing the need for context-specific assessment tools beyond existing models.
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.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,009 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle