Le classement des villes dans l'économie du savoir : une analyse intégrée des régions urbaines canadiennes et américaines
Bibliographic record
Abstract
Des comparaisons entre villes canadiennes et américaines doivent se faire avec prudence. L'obstacle principal reste la comparabilité des séries statistiques. Nous proposons une analyse intégrée de l'ensemble des 90 régions métropolitaines nord‐américaines de 500 000 habitants et plus, dont neuf canadiennes. Suite à une revue de divers classements, nous situons les 90 régions urbaines sur sept indicateurs, dont des variables portant sur le capital humain et le secteur tertiaire intensif en savoir, suivi d'une analyse de corrélation mettant en relation les indicateurs pour trois univers de villes (sans et avec des villes canadiennes). Nos résultats confirment le bon positionnement sur plusieurs indicateurs de métropoles américaines comme San Francisco‐Silicon Valley et Boston, mais aussi de villes comme Raleigh (research triangle) et Austin, connues pour leurs activités de recherche. Les villes canadiennes se classent plutôt bien, notamment les cinq plus grandes. Cependant, c'est moins vrai pour des villes comme Winnipeg ou Hamilton. L'analyse de corrélation fait ressortir la relation positive entre dotation en capital humain et poids du tertiaire intensif en savoir, mais ne révèle aucune relation significative avec l'indicateur de qualité de vie.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".