An ecosystem-based job-creation engine fuelled by technology entrepreneurs
Notice bibliographique
Résumé
Job creation is at the centre of the rationale provided by governments and publicly funded organizations for investing in services purported to support entrepreneurs to launch and grow technology startups. However, little is known about how to design and build the engines that convert these publicly funded services into jobs in a region. In this article, we argue that the architecture of a job-creation engine fuelled by technology entrepreneurs is important and that it should be made visible to the stakeholders of a regional venture system. The manner in which the components of a job-creation engine are organized and integrated determines the effectiveness and efficiency of the conversion of public funds into jobs. Making visible the architecture of a job-creation engine enables individuals and organizations to: i) better understand the link between the investment made to service technology entrepreneurs and systematic job creation; ii) utilize the regional venture system more effectively; and iii) set the performance benchmark for capability improvement and rapid adjustment to environmental changes. The experience gained from operating Lead To Win since 2009 is used to describe the architecture of a job-creation engine fuelled by technology entrepreneurs that operate in Canada’s Capital Region. Lead To Win is an ecosystem designed to help a technology venture generate sufficient revenue to create six or more knowledge jobs in the region within three years of inception.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,006 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,001 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».