Entrepreneuriat, développement du territoire et appropriation de l'information
Bibliographic record
Abstract
On ne peut comprendre la multiplication et le développement des PME dans les régions qu’en recourant à des approches plus larges que celles proposées par la théorie économique traditionnelle, notamment en nous attardant au contrôle et à l’appropriation de l’information « riche » par les PME et ainsi par le territoire même en relation avec celles-ci. C’est ce qui ressort de plus en plus de bon nombre d’études sur les régions dynamiques ou en voie de se dynamiser; dans ces régions, la capacité d’aller chercher les informations riches et de les utiliser à bon escient pour créer ou soutenir les réseaux et pour investir et développer les marchés explique la croissance des PME les plus dynamiques et, par ricochet, leur multiplication. On peut résumer cette relation cruciale entre les PME et l’information en montrant que les PME ayant une stratégie réactive attendent d’avoir beaucoup d’information pour agir, laissant ainsi passer beaucoup d’opportunités. À l’autre extrême, les PME à stratégie proactive prennent des risques en saisissant les occasions d’affaires le plus tôt possible même lorsque les informations sont insuffisantes. Entre les deux, on trouve la stratégie active. Plus un territoire est en relation (est « branché ») avec de l’information riche, plus il se l’approprie, plus il la diffuse et la rend accessible pour favoriser la différenciation par l’innovation, plus il tend à entraîner de plus en plus de PME à avoir des stratégies proactives et ainsi à se développer rapidement tout en soutenant le dynamisme des autres PME implantées sur le territoire.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| 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".