Prospective insights on R&D in ICT\n2019 PREDICT Dataset
Notice bibliographique
Résumé
PREDICT produces statistics and analyses on ICT industries and their R&D in Europe since 2006. The project covers major world competitors including 40 advanced and emerging countries - the EU28 plus Norway, Russia and Switzerland in Europe, Canada, the United States and Brazil in the Americas, China, India, Japan, South Korea and Taiwan in Asia, and Australia - as well as a growing array of indicators related to the ICT content of economic activities. \n\nICTs determine competitive power in the knowledge economy. The ICT sector alone originates almost one fourth of total Business expenditure in R&D (BERD) for the aggregate of the 40 economies under scrutiny in the project. It also has a huge enabling role for innovation in other technological domains, let aside the impact of ICT uptake in the organisation of businesses. This is reflected at the EU policy level, where the Digital Agenda for Europe in 2010 was identified as one of the seven pillars of the Europe 2020 Strategy for growth in the Union and the achievement of a Digital Single Market (DSM) is one of the 10 political priorities set by the Commission since 2015.\n\nPREDICT provides indicators in a wide variety of topics, including value added, employment, labour productivity and BERD, distinguishing fine grain economic activities in ICT industries (up to 22 individual activities, 14 of which at the class level, i.e. at 4 digits in the ISIC/NACE classification), media and content industries (15 activities, 11 of them at 4 digit level) and at a higher level of aggregation for all the other industries in the economy. It also produces data on Government financing of R&D in ICTs, and total R&D expenditure at the country level. Nowcasting of more relevant data in these domains is also performed up to a year before the reference date, while time series go back to 1995.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,358 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».