La réorganisation de l’entreprise en difficulté plutôt que sa liquidation et l’efficacité informationnelle du processus de sélection dans le droit canadien ?
Bibliographic record
Abstract
Les réorganisations d’entreprises sont devenues un phénomène assez courant. Une réorganisation suspend le droit des créanciers et prolonge le mandat des dirigeants. Elle entraîne en outre une réduction des dettes non prioritaires de l’entreprise dans une proportion de 90 % ou plus. Ces dettes représentent la principale source de financement externe pour bon nombre de PME. La loi sur la faillite et l’insolvabilité est l’une des deux principales lois canadiennes permettant les réorganisations. Elle instaure un processus de sélection, sous la responsabilité des syndics, déterminant quelles entreprises en difficulté sont admises à une procédure de réorganisation. L’article présente une évaluation de ce processus. À la différence d’autres recherches axées sur les résultats obtenus en termes de survie des entreprises sélectionnées, la recherche évalue son efficacité informationnelle. Cette recherche, inspirée de la théorie financière, analyse de façon minutieuse l’utilisation de la procédure de réorganisation par 3 916 entreprises en lien avec les données financières disponibles au moment de la sélection.
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 | 0.005 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 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) | 0.016 | 0.003 |
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".