How Europe's Economies Learn:Coordinating Competing Models
Notice bibliographique
Résumé
When seeking to bench mark the performance of European economies, commentators often look to compare them to the economies of Japan and the United States. How Europe's Economies Learn shows how this is seriously misleading, and how any such comparison needs to be complemented with an understanding of the fundamental differences between Europe's economies. The contributors provide an up-to-date description and analysis of the way differences in state systems and institutional contexts, such as labour markets, education and training systems, and financial systems, shape learning processes and innovation performance across the member nations of the European Union. In doing so, it draws important conclusion for how policy strategies should be designed at the national and European levels in order to further promote the goals of the Lisbon process. Contributors to this volume - Christian Bessy, CNRS Research Fellow, Ecole Normale Superieure de Cachan, France, Adne Cappelen, Director of Research, Statistics Norway, Norway, Patrick Cohendet, Professor, Department of International Business, HEC School of Management, Canada, Giovanni Dosi, Professor, Laboratory of Economics and Management (LEM), Sant'Anna School of Advanced Studies, Italy, Mei Ho, Doctoral Candidate, Eindhoven Centre for Innovation Studies, Eindhoven Technical University, The Netherlands, Mauro Sylos Labini, Doctoral Candidate, Laboratory of Economics and Management (LEM), Sant'Anna School of Advanced Studies, Italy, Alice Lam, Professor of Organization Studies, School of Management, Royal Holloway University of London, UK, Caroline Lanciano-Morandat, CNRS Research Fellow, Laboratory of Economics and Labour Sociology (LEST), University of Aix-en-Provence, France, Patrick Llerena, Professor, Office for Theoretical and Applied Economics (BETA) University Louis Pasteur, France, Edward Lorenz, Professor, University of Nice-Sophia Antipolis, France, Bengt-Ake Lundvall, Professor, Department of Business Studies, Aalborg University, Denmark, Chantale Mailhot, Associate Professor, Department of International Business, HEC School of Management, Canada, Peter Nielsen, Professor, Aalborg University, Denmark, Hiroatsu Nohara, CNRS Research Fellow, Laboratory of Economics and Labour Sociology (LEST), University of Aix-en-Provence, France, Maria Joao Rodrigues, President, European Commission's Advisory Group for Social Sciences and Professor, University Institute, Portugal, Veronique Schaeffer, Assistant Professor, Office for Theoretical and Applied Economics (BETA) University Louis Pasteur, France, Mark Tomlinson, Lecturer, Birmingham Business School, University of Birmingham, UK, Andrew Tylecote, Professor, Management School, University of Sheffield, UK, Antoine Valeyre, CNRS Research Fellow, Centre for Employment Studies (CEE), France, Eric Verdier, CNRS Research Director, Laboratory of Economics and Labour Sociology (LEST) University of Aix-en-Provence, France, Bart Verspagen, Professor, Department of Technology Management, Eindhoven Technical University, The Netherlands, Richard Whitley, Professor of Organizational Sociology and Director of Research, Manchester Business School, University of Manchester, UK.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,011 |
| Communication savante | 0,025 | 0,028 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,007 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».