Recherches partenariales : coordination et coopération entre chercheurs d’entreprise et chercheurs universitaires
Bibliographic record
Abstract
Les recherches partenariales entre chercheurs de R&D d’entreprises et chercheurs universitaires offrent de multiples atouts : une coopération d’expertises mobilisées pour répondre à des perspectives concrètes et l’échange entre collègues de connaissances actualisées afin de mener des activités de publications et de formalisations. Cependant, la diversité des objectifs des parties prenantes du partenariat ainsi que les temporalités d’exécution courtes au regard des critères universitaires, rendent parfois difficile la réalisation des finalités assignées à ces recherches. Pour éviter ces écueils, l’article montrera que la réalisation des recherches partenariales repose sur la capacité des chercheurs à élaborer une organisation du travail idoine, des procédures de coordination et des relations de coopération reposant sur un échange de dons. Mais les contraintes liées à la recherche en entreprise, l’ambiguïté de l’échange de dons et la valorisation problématique de ces recherches peuvent rendre difficile la réalisation des partenariats et leur renouvellement. Ces points seront abordés grâce à l’observation dans la R&D d’une entreprise, de plusieurs recherches nommées partenariales, ainsi que d’entretiens menés avec certains de ses chercheurs.
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 | 0.028 | 0.043 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.007 | 0.006 |
| Scholarly communication | 0.016 | 0.013 |
| Open science | 0.003 | 0.011 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.022 | 0.007 |
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".