Bibliographic record
Abstract
Une tendance croissante aux États-Unis en matière de politique de développement rural consiste à créer des réseaux flexibles d’entreprises manufacturières, d’entreprises interreliées selon le modèle des districts industriels européens au Danemark et en Italie. Cet article étudie l’expérience de plusieurs réseaux en milieu rural et urbain aux États-Unis dans le but d’évaluer leur performance et leurs effets sur les entreprises qui en sont membres. Les entrevues en profondeur effectuées montrent que les réseaux sont plus utiles pour les nouvelles et les très petites entreprises (micro-entreprises). Comme institutions, les réseaux contribuent à la promotion des interactions interentreprises et à l’apprentissage collectif dans leur région. En plus, ils fournissent des services aux entreprises qui en sont membres. Il ressort que les réseaux enracinés dans leur région tendent à fournir plus à leurs membres que les réseaux moins intégrés. L’enracinement se manifeste par l’implication et le soutien financier (et matériel) des institutions locales et des résidents influents, en particulier la communauté d’entrepreneurs. Dans certaines régions où des réseaux n’étaient pas en opération, des entreprises ont été, en quelque sorte, en mesure de remplacer le réseau par un réseautage informationnel actif avec des entreprises situées en dehors de leur localité. Dans la plupart des régions, certaines politiques publiques de promotion semblent être nécessaires pour stimuler la formation de réseaux entre les entreprises locales.
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 | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.023 | 0.003 |
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".