Universidade e o ecossistema de inovação: revisão estruturada de literatura
Bibliographic record
Abstract
As universidades estão tornando-se atores cada vez mais ativos nos ambientes de inovação, agregando valor aos processos de desenvolvimento regional e apoiando a importância do conhecimento no ecossistema de inovação, assim, gerando inovação a partir do conhecimento.Este estudo tem como objetivo investigar a literatura científica sobre o tema universidade e o ecossistema de inovação nos últimos anos.A pesquisa é classificada como descritiva e exploratória.O processo de seleção da coleção de artigos para análise resultou em 34 artigos em consonância com o tema de pesquisa nas bases de dados Web of Science e Scopus.A análise bibliométrica identificou que os artigos foram escritos por 92 autores e coautores, publicados em 30 periódicos no período de 2006 a 2018 em 22 países, 62 instituições de ensino e, apresentam um conjunto de 69 palavraschave.Conclui-se através da análise de conteúdo que as universidades, assumiram um papel mais empreendedor como atores centrais dentro dos ecossistemas de inovação, resultando em novas e diversas oportunidades.Os estudos selecionados mostraram que a colaboração universidade-indústria é a dimensão mais importante de um ecossistema de inovação.No entanto, a literatura também aponta que deve haver maior interação entre governo, indústria e universidades dentro de um contexto inovador.Portanto, isto aponta a necessidade de estudos como este que exploram o papel das universidades no ecossistema de inovação.
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 | 0.010 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.022 | 0.039 |
| Science and technology studies | 0.004 | 0.008 |
| Scholarly communication | 0.017 | 0.014 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 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".