Processus de création des entreprises innovantes en Tunisie: résultats d’une étude exploratoire
Bibliographic record
Abstract
Le présent article propose d’examiner la spécificité des entreprises innovantes en Tunisie, notamment celles spécialisées dans les technologies d’informations et de communications (TIC), et d’analyser les freins inhérents à leur création. Les données recueillies sont issues d’une étude qualitative exploratoire menée auprès d’un échantillon de dix-sept entreprises de hautes technologies, implantées dans le parc technologique El-Ghazala. Le choix de cet échantillon nous permet de récolter des informations qualitatives qui nous permettent, à leur tour, d’identifier à grands traits les particularités de ces structures industrielles, le profil de leurs créateurs, mais aussi les obstacles rencontrés lors de leur étape de création. Les résultats révèlent que les principaux freins liés à la création des entreprises innovantes en Tunisie, en particulier celles spécialisées dans les TIC, sont d’ordres institutionnels et financiers. Dans ce contexte, des recommandations concrètes aux pouvoirs publics tunisiens peuvent être formulées afin d’améliorer le processus de création des entreprises innovantes et de promouvoir davantage la culture entrepreneuriale chez les jeunes diplômés.
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 | 0.012 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.008 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".