Bibliographic record
Abstract
La finance entrepreneuriale est un domaine de recherche qui se voulait émergent il y a près de trente ans et pour lequel certains chercheurs de renom ont proposé des agendas de recherche spécifiques et stimulants. Or le recensement de plusieurs centaines d’articles publiés révèle que les auteurs ont centré leur attention sur des questions de recherche traditionnelles, laissant souvent de côté les préconisations des experts qui recommandaient notamment d’inclure l’entrepreneur dans les travaux et d’emprunter à la littérature en entrepreneuriat des méthodes et théories pouvant aider à mieux comprendre les questions financières des PME. L’objet de cet article est de faire un survol des travaux réalisés au cours des quinze dernières années en regard des besoins de connaissances spécifiques permettant de favoriser la création et l’émancipation des PME, grâce, notamment, à un financement adéquat. À la vue de ce qui nous semble être un écart entre les connaissances disponibles et celles qui seraient souhaitables selon l’OCDE, et en nous situant dans un contexte de modification de l’environnement d’affaires mondial, nous proposons aux chercheurs intéressés à contribuer au domaine de la finance entrepreneuriale quelques pistes de recherche pour les travaux futurs.
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 | 0.022 | 0.040 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.005 | 0.007 |
| Science and technology studies | 0.003 | 0.012 |
| Scholarly communication | 0.018 | 0.016 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.007 | 0.009 |
| Insufficient payload (model declined to judge) | 0.031 | 0.009 |
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".