Bibliographic record
Abstract
Économie de la connaissance, créativité, innovation semblent constituer le tiercé gagnant de ce début de siècle. Certaines régions ou territoires ont la réputation d'offrir des terreaux fertiles sur lesquels cette économie se développe, c'est particulièrement le cas des grandes agglomérations. On parle alors de territoires innovants, de métropoles créatives ou villes créatives. Aujourd'hui beaucoup de collectivités territoriales mettent en place des politiques publiques visant à développer la créativité et l'innovation. On observe à travers le monde des initiatives aux objectifs et aux moyens très variés. Derrière tous ces projets des questions essentielles se posent : Une ville, une métropole, un territoire peuvent-ils se décréter créatifs ? Quel rôle pour les acteurs publics vis-à-vis des territoires créatifs ? Cet ouvrage propose d'éclairer les concepts : Qu'est-ce qu'un territoire créatif ? Quel est le lien entre territoires et industries de la création ? Les pouvoirs publics peuvent-ils en favoriser l'émergence ? Au travers de l'analyse de quelques exemples, Montréal, la Silicon Alley à New York, Bilbao et Londres, la diversité des enjeux et des situations sera analysée.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.009 | 0.010 |
| Scholarly communication | 0.014 | 0.004 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.092 | 0.011 |
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".