Bibliographic record
Abstract
Comment se fait-il qu’Israel – un pays d’a peine plus de 7 millions d’habitants, fonde il y a 60 ans, constamment en guerre depuis et ne disposant d’aucune ressource naturelle – soit a l’origine de la creation et du developpement de davantage d’entreprises de haute technologie que des pays plus importants, plus anciens et qui vivent en paix comme le Japon, la Chine, l’Inde, la Coree du sud, le Canada, le Royaume-Uni ou la France ?A partir de tres nombreux exemples de chefs d’entreprises et d’investisseurs israeliens parmi les plus proeminents, Dan Senor et Saul Singer expliquent pourquoi et comment Israel a developpe une combinaison unique d’obstination et de resilience qui peut expliquer ses succes economiques.Comme le montrent les auteurs, Israel n’est pas « seulement un pays » mais un etat d’esprit. Depuis la fondation de l’etat d’Israel et a travers ses choix politiques et industriels, c’est la spontaneite, la determination et la prise de risques qui caracterisent l’histoire du pays.Sur le plan culturel et geopolitique, Senor et Singer expliquent comment l’histoire d’Israel, sa politique d’integration des immigrants, ses ressources en Recherche et Developpement et le recours a la conscription ont ete des facteurs cles du developpement economique du pays, et de quelles menaces ce modele doit se premunir.La litterature sur le Moyen Orient est tres abondante mais, etonnamment, elle ne permettait pas, jusqu’a la publication de ce livre, de comprendre en quoi l’histoire, la strategie et la politique sont a l’origine de la croissance economique d’Israel.Au moment ou la plupart des pays capitalistes s’interrogent sur de possibles nouveaux ressorts de croissance, il etait particulierement opportun de s’interesser a ce petit pays remarquable de dynamisme pour y chercher quelques elements de reponse…
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.057 | 0.010 |
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".