Bibliographic record
Abstract
Le présent article décrit un modèle visant à faciliter la compréhension du processus de transfert du contenu depuis sa source jusqu’à son utilisation. Un groupe de travail de Ressources naturelles Canada a étudié la nature du transfert des savoirs à l’aide d’un modèle de services, afin de découvrir et comprendre les modèles et processus sous-jacents. Les services de savoir sont des programmes qui créent et fournissent des produits organisationnels basés sur un contenu et ayant une valeur intégrée. Ces programmes sont destinés à être utilisés en interne ou transférés pour répondre aux souhaits et besoins d’un utilisateur externe. Les critères de conception du modèle sont les suivants : indépendance par rapport au contenu, concentration sur l’organisation, évolutivité, deux pilotes et deux niveaux de résolution. Le modèle est basé sur une chaîne de valeur dans laquelle la valeur est intégrée, déplacée ou extraite. Un système de services de savoir se divise en neuf étapes : générer, transformer, gérer, utiliser en interne, transférer, ajouter de la valeur, utiliser professionnellement, utiliser personnellement et évaluer. Les services de savoir sont fournis par l’intermédiaire d’un spectre de distribution allant de complexe à accessible. À chaque région du spectre de distribution correspond une série d’attributs qui influencent la manière dont les services sont fournis.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.023 | 0.005 |
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".