Productivité et activité en R&D des entreprises manufacturières québécoises : constats et implications
Bibliographic record
Abstract
Résumé La productivité des entreprises manufacturières du Québec est préoccupante. Le Québec a présenté au cours de la dernière décennie des écarts de performance importants malgré les efforts considérables investis en recherche et développement. Ces écarts s’expliquent, entres autres, par la forte concentration de la R&D dans quelques industries, par l’importance relative des industries liées aux ressources, par le faible niveau des investissements en machineries et équipements et, finalement, par les écarts grandissants au chapitre de la productivité industrielle. Ces constats suscitent des interrogations. Pour répondre à celles-ci, une recherche en deux volets a été effectuée. Dans un premier temps, une enquête menée auprès d’experts a permis de rassembler des informations intéressantes au sujet de la productivité et des besoins technologiques. Dans un deuxième temps, une enquête en profondeur conduite auprès d’entreprises manufacturières québécoises a révélé que le taux de pénétration des technologies varie considérablement entre les secteurs d’activités industrielles. Cette enquête fait ressortir des lacunes en matière de gestion de même qu’un recours insuffisant à la R&D.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.019 | 0.003 |
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".