Bibliographic record
Abstract
Ce texte cherche à établir les raisons de la modeste participation des PME à l’innovation technologique malgré les politiques de soutien mises en place depuis plus de 20 ans. Nous abordons cette question à partir d’une analyse rétrospective des différents dispositifs institutionnels mobilisés et en montrant comment les actions mises en oeuvre ont oscillé entre aménagement du territoire et renforcement du système national de recherche et développement. Il apparaît alors que la relative faiblesse de leur participation et leur position adventice s’expliquent moins par les formes particulières des dispositifs en cause que par les politiques de soutien à ces entreprises mises en place. La première partie montre que la modeste implication des PME aux programmes nationaux d’innovation résulte à la fois d’un manque de ciblage sur cette catégorie d’entreprises et de l’insuffisante mise en réseau de la plupart des entreprises constitutives de ce sous-ensemble. La deuxième partie indique comment les pôles de compétitivité ont cherché à contourner ces handicaps grâce à leurs modalités de définition et leur mode d’organisation interne. La troisième partie, plus prospective, dresse un premier bilan de la mise en place des pôles de compétitivité et de l’effet dynamisant sur l’innovation par et dans les PME.
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 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.009 |
| Scholarly communication | 0.013 | 0.011 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.014 | 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".