Canada in an Era of Intelligent Machines: How Institutions Condition Knowledge Generation and Innovation in a Learning Economy
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
This dissertation project develops a human-centered approach to innovation founded on the competence of people and firms. It seeks to establish a link between learning and innovative capacity by examining two industrial sectors crucial to the Canadian economy: accounting professional services and auto parts manufacturing. While the contours of the emerging AI-driven economy remain uncertain, as digitization gains momentum and intersects with the imperative of transitioning to a post-carbon economy, it is clear that economic value is increasingly derived from the contribution of intangibles – software, large scale databases, and intellectual property that embody human knowledge and ingenuity. Results provide evidence to challenge the prevailing innovation policy regime that assumes investments in research and development alone are adequate to ensure the transition to the AI-driven technological paradigm. A key contribution of this study is to provide an institutional account for automation-driven labour market bifurcation. A theoretical framework combining Historical Institutionalism and Schumpeterian inspired evolutionary economics explains why the dynamic concept of a ‘learning economy’ is superior to the static conception of a knowledge economy to explain the effect of automation on labour markets. Empirical research examines labour market policy related specifically to skills development and continuing education aimed a working age adults popularly conceived as ‘lifelong learning’. Findings reveal that policy choices are the outcome of intrinsic socio-political forces unique to each industrial sector producing workforce development trajectories that are critical to understanding Canada’s lacklustre innovation performance.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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