Bibliographic record
Abstract
Ce travail concerne la valorisation des résultats de la recherche universitaire. Il s'agit d'une terminologie qui concerne le processus ainsi que l'infrastructure - les bureaux de valorisation - permettant à un chercheur académique de commercialiser les résultats de sa recherche. Une étude de cas comparant la Belgique et le Québec dans ce domaine se trouvera au centre des réflexions. L'accent sera tout d'abord mis sur le cadre théorique permettant de comprendre l'origine et le sens de l'activité de valorisation. Différents concepts comme l'innovation et l'économie du savoir devront alors être introduits, notamment dans une perspective historique et normative. De plus, différents modèles théoriques se succèderont ; ce qui permettra au lecteur d'acquérir une vision complète du domaine étudié. La problématique qui anime ensuite la recherche est centrée sur les relations qui existent entre les bureaux de valorisation et les chercheurs universitaires qui font appel à leurs services et à l'impact de ces relations sur le processus de valorisation. Les différentes hypothèses proposées suggèrent l'importance des politiques universitaires de propriété intellectuelle ainsi que celle de la culture universitaire de la recherche académique. Ces différents points sont analysés au regard des entretiens semi-directifs effectués. Le but final de ce mémoire est la proposition de recommandations sur certaines bonnes pratiques dans le domaine de la valorisation. Ces dernières concernent d'une part la position organisationnelle des bureaux de valorisation au sein du processus de valorisation et, d'autre part, l'importance de la communication dans ce même processus.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.009 | 0.023 |
| Science and technology studies | 0.009 | 0.010 |
| Scholarly communication | 0.022 | 0.014 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.024 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".