L’entrepreneuriat régional encastré. Les cas du Centre-du-Québec et de la Mauricie
Bibliographic record
Abstract
En matière de criminalité, si à la manière du policier Columbo on peut connaître les causes directes d’un crime isolé, lorsque leur nombre augmente ou lorsqu’on a affaire à du gangstérisme, il faut dépasser cette approche pour en arriver à réfléchir à la manière de Guillaume de Baskerville qui finit par voir que les crimes des moines de l’abbaye de Melk s’expliquent finalement par la lutte entre le pape et l’empereur et par la recherche de la vérité. De même, on ne peut comprendre l’entrepreneuriat régional en se limitant à étudier les comportements de quelques entrepreneurs. En particulier, on ne peut expliquer pourquoi dans certaines régions on voit les entreprises se multiplier et innover alors qu’à côté les nouvelles entreprises sont rares et l’innovation sporadique. Il faut se pencher sur le rôle du milieu et ainsi du capital social généré par ce dernier. De plus, il faut tenir compte des conventions entraînant des complicités dynamiques dans des réseaux générant une culture entrepreneuriale, ou ce que Marshall appelait déjà il y a plus de cent ans une « atmosphère industrielle » particulièrement innovatrice. Nous appliquons cette approche complexe à deux petites régions québécoises, le Centre-du-Québec et la Mauricie, aux origines relativement semblables, mais où le rôle différent du milieu et des comportements collectifs favorisent une dynamique et ainsi une forte présence de firmes à croissance élevée dans le premier cas.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.004 |
| Scholarly communication | 0.006 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| 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".