Capacites d'innovation: le capital de savoir, gage de survie et de croissance des entreprises
Bibliographic record
Abstract
Le présent document décrit les constatations tirées d'un programme de recherche visant à souligner l'importance des compétences qui découlent des investissements dans l'actif incorporel pour le processus de croissance des entreprises. Le programme comportait deux parties. Premièrement, des bases de données longitudinales ont fourni un riche ensemble d'études sur les entrées, les sorties, les fusions et d'autres aspects de la dynamique liée à la croissance et au déclin des populations d'entreprises. Ces études ont démontré l'omniprésence de la croissance et du déclin dans la population des entreprises. En soi, elles n'indiquent pas quelles stratégies distinguent les entreprises les plus prospères des moins prospères. Voilà pourquoi nous avons créé un ensemble d'enquêtes-entreprises qui ont permis de concevoir des profils sur le genre de compétences qui découlent des investissements dans le capital organisationnel. À leur tour, celles ci ont été reliées aux données administratives pour nous permettre de classer les entreprises comme étant en expansion ou en déclin. Nous nous sommes alors demandés quel était le lien entre les différences dans les compétences et le rendement des entreprises.
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 | 0.007 | 0.024 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| 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".