L’utilisation des technologies de l’information et sa contribution à la croissance en Australie
Bibliographic record
Abstract
La présente étude a pour but d’évaluer, dans le cadre de la comptabilité de la croissance, les gains de croissance réalisés en Australie au cours des années quatre-vingt-dix grâce à l’utilisation des technologies de l’information. Elle se fonde sur de nouvelles estimations du stock de capital productif calculées au niveau de la branche d’activité. Notre analyse laisse entendre que l’Australie a su profiter de la « nouvelle économie ». Le niveau d’utilisation des technologies informatiques y est parmi les plus élevés du monde, et l’investissement des entreprises australiennes dans les ordinateurs et le matériel connexe augmente rapidement depuis le début des années quatre-vingt-dix. Plutôt que d’être répartie uniformément entre les divers secteurs de l’économie, l’utilisation des ordinateurs est concentrée dans ceux axés sur les services, comme les télécommunications ou les intermédiaires financiers et les assurances. En outre, la moitié environ des gains dus à l’utilisation des technologies de l’information est attribuable à la baisse des prix, tandis que l’autre moitié peut être due à l’augmentation des dépenses nominales. Nous concluons que, grâce à l’utilisation des ordinateurs, l’Australie a vu croître considérablement sa production et qu’elle a bénéficié des progrès techniques réalisés dans ce secteur par la voie de la réduction des prix transmise aux utilisateurs. Donc, être un utilisateur net d’ordinateurs offre des avantages considérables, outre ceux liés au fait d’être un producteur mentionnés plus couramment.
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 | 0.003 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".