Effets de la diffusion des technologies de l’information sur la croissance potentielle et observée
Bibliographic record
Abstract
L’étude propose une analyse des effets de l’émergence et de la diffusion des technologies de l’information sur la croissance potentielle et observée de l’output et de la productivité du travail en France, au cours des deux dernières décennies. De façon habituelle, les technologies de l’information regroupent ici le matériel informatique, les logiciels et les matériels de communication. Il en ressort que la diffusion des technologies de l’information élève le rythme de la croissance potentielle (par rapport à une situation très théorique où les technologies de l’information n’existeraient pas) via l’accélération de la productivité induite par l’utilisation de ces biens et services. Cet effet sur la croissance potentielle se décompose en un effet de moyen à long terme correspondant aucapital deepeningen technologies de l’information et aux gains de productivité multifactorielle que l’utilisation des technologies de l’information entraîne. L’effet transitoire de court à moyen terme est lié à la baisse transitoire du NAIRU (Non-accelerating inflation rate of unemployment) elle-même induite par l’indexation retardée des salaires sur la productivité. Les ordres de grandeur auxquels aboutissent les chiffrages proposés montrent que l’enjeu est considérable pour la composante de moyen à long terme. Concernant l’effet transitoire de court à moyen terme, l’analyse rétrospective de l’évolution des taux de marge des entreprises semble démentir un effet favorable.
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 | 0.004 | 0.021 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 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".