Investissements du Canada en science et innovation : le concept actuel de la recherche et developpement est-il suffisant?
Bibliographic record
Abstract
Les estimations du PIB sont sensibles au traitement d'une dépense d'affaires comme investissement ou comme facteur intermédiaire. Faire passer une catégorie de dépenses de dépenses intermédiaires à dépenses d'investissement a pour effet d'accroître le PIB. Même si le guide de mesure international (le SCN (93)) reconnaît qu'en raison de certaines caractéristiques la R D s'apparente davantage à un investissement qu'à une dépense intermédiaire, il ne recommande pas de traiter la R D comme investissement étant donné les difficultés que présente l'élaboration d'un critère clair permettant de distinguer la [R D] d'autres activités. Dans le présent document, les auteurs cherchent à déterminer si la définition du Manuel de Frascati de l'OCDE est adéquate à cette fin. Ils soutiennent qu'elle est trop étroite et que son adoption ne faciliterait pas la prise de mesures à l'avenir pour modifier le Système de comptabilité nationale. Plus particulièrement, ils soutiennent que le concept de la R D requis aux fins du SCN devrait inclure une vaste gamme de coûts d'innovation dans le domaine des sciences et que ce concept plus large de la R D est mesurable. Enfin, les auteurs soutiennent que le non élargissement de la définition du capital de connaissances entraînera des conséquences sur le plan de la comparaison du PIB du Canada à celui d'autres pays, particulièrement notre partenaire commercial le plus important, les États Unis. Il en découlera une estimation biaisée du PIB du Canada par rapport à celui des États Unis. Si toutes les dépenses au titre de l'innovation dans le domaine des sciences sont capitalisées, le PIB augmentera. Cependant, il sem
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 | 0.023 | 0.049 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.008 | 0.011 |
| Science and technology studies | 0.006 | 0.011 |
| Scholarly communication | 0.016 | 0.010 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".