La propriété intellectuelle et les PME : quels enjeux et quelles pratiques ?
Bibliographic record
Abstract
La propriété intellectuelle (PI) fait l’objet d’une attention grandissante dans les stratégies des grandes entrep]rises ainsi que dans le cadre du commerce international (signature des Accords sur les aspects des droits de propriété intellectuelle qui touchent au commerce - ADPIC). Mais qu’en est-il des PME au regard de ces préoccupations ? La PI est-elle perçue comme un enjeu pour elles ? Quelles pratiques de PI ont-elles développées au regard de la nécessité d’innover et de l’utilisation de plus en plus intensive des ressources immatérielles ? Les réponses apportées dans cette contribution sont de nature exploratoire, basée sur une enquête par entretiens menée dans la région de l’Arc jurassien. Il s’avère que la propriété intellectuelle est un instrument incomplet pour les PME dans le sens où il n’offre pas de protection absolue, loin de là. Cependant, la protection n’est pas l’unique fonction que remplissent ces outils ; leur utilisation correspond à différentes logiques qui sont mises en évidence dans la première partie. Enfin, ces logiques se combinent de différentes manières selon le type d’entreprise et leur situation. En montrant la diversité des utilisations possibles et leurs diverses combinaisons, cet article révèle que la PI, malgré ses limites, peut être un atout pour 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 | 0.006 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.027 |
| Scholarly communication | 0.014 | 0.013 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.015 | 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".