L'hybridité de la théorie à la pratique : gérer la recherche en partenariat entre l'entreprise et l'université
Bibliographic record
Abstract
Résumé Le financement de la recherche universitaire par l’industrie ne risque-t-il pas de mettre en danger les normes qui assurent le bon fonctionnement de la science? Posée de façon aussi abrupte, la question peut choquer : n’assiste-t-on pas, en effet et partout dans le monde, à une multiplication et une diversification des partenariats de recherche entre les entreprises et les universités? Cette coopération n’est-elle pas suscitée, facilitée – voire imposée – par des gouvernements soucieux de développer les activités de production, de traitement et de diffusion des connaissances dans ce qu’il est désormais convenu d’appeler une économie de la connaissance? Pourtant, au-delà des discours célébrant une nouvelle ère quant aux liens entre science et industrie, l’hybridation entre la logique de la science et la logique de l’industrie ne va pas de soi, en témoigne l’échec – tant du point de vue de l’entreprise en cause que de celui des chercheurs universitaires – du partenariat étudié dans cet article.
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 | 0.026 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.006 | 0.039 |
| Scholarly communication | 0.022 | 0.022 |
| Open science | 0.003 | 0.009 |
| Research integrity | 0.007 | 0.008 |
| Insufficient payload (model declined to judge) | 0.013 | 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".