Bibliographic record
Abstract
Le transfert vers l’industrie des découvertes scientifiques réalisées dans les universités a probablement toujours existé ; même s‘il était particulièrement lent à l’époque où ces dernières évoluaient dans le temps long, avec un enseignement et des recherches liés à quelques maîtres, sans programme précis ni une nette séparation entre les différentes sciences. Au XIXe siècle, notamment avec la réforme allemande de Humboldt, les liens entre l’industrie et l’Université devinrent plus ténus avec le développement de programmes par disciplines, sous la direction d’un corps professoral spécialisé et dans un temps court. Toutefois, dans les dernières décennies, la concurrence de plus en plus forte avec des centres de recherche privés et des institutions de formation variées ainsi que le réseautage complexe obligent de plus en plus l’Université à élargir ses relations avec la société, que ce soit en économie et gestion ou dans le domaine des sciences et des arts, notamment à travers la recherche-action. Un tel type de recherche se déroule depuis 10 ans avec le réseau de la Chaire Bombardier composé d’une grande firme pivot et d’une trentaine de sous-traitants. Cette longue actionnabilité a aidé non seulement la grande firme à améliorer sa compétitivité et les PME à passer d’une relation de capacité à une de spécialité et, dans certains cas, d’intelligence, mais aussi les chercheurs à nuancer considérablement plusieurs concepts en économie industrielle. Cette actionnabilité ne va toutefois pas de soi et suppose des changements importants, tant du côté des entreprises participantes que de celui des équipes universitaires pour en arriver à du temps allongé favorisant l’actionnabilité et permettant de donner un nouveau rôle aux universités dans l’économie de la connaissance.
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 | 0.032 | 0.057 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.005 | 0.011 |
| Scholarly communication | 0.024 | 0.012 |
| Open science | 0.003 | 0.013 |
| Research integrity | 0.008 | 0.013 |
| Insufficient payload (model declined to judge) | 0.049 | 0.026 |
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".