Bibliographic record
Abstract
L’auteur montre bien que les données personnelles offertes, souvent sans le savoir, par les utilisateurs sont « le trésor de guerre » des entreprises du Web 2.0 et constitue la ressource principale de l’économie numérique grâce aux techniques du data mining. Ces données représentent un travail que les états (européens, du moins) aimeraient bien taxer à leur juste valeur. Par ailleurs, étant donné la nature immatérielle de ces données qui voyagent librement d’une frontière à l’autre, les entreprises numériques sont capables d’évasion fiscale en raison de la facilité qu’elles ont à dissimuler leurs opérations dans les paradis fiscaux. Par ailleurs, quelle que soit l’importance des entreprises du Big Five - c’est là leur tendon d’Achille -, celles-ci sont toujours à la merci de concurrents qui peuvent prendre de nouvelles parts de marché, soit grâce à l’inventivité de leur recherche/développement, soit par l’acquisition de nouvelles starts up dynamiques capables de les propulser en avant.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.023 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.001 |
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; both teacher heads agree on what is shown here.
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".