Géographie de la nouvelle économie montréalaise en 2016, 29 selon les variables du genre et de l’appartenance ethnolinguistique
Bibliographic record
Abstract
Depuis la fin des années 1980, environ 90 % des PME du Québec oeuvrant dans les secteursd’activité traditionnels ont introduit de nouvelles technologies dans la gestion de leurs opérations et dans leursmodes de production. Une mutation s’est amorcée vers une économie du savoir dans la région métropolitainede recensement (RMR) de Montréal ainsi que dans l’ensemble du Québec. Le présent article s’intéresse à cestransformations tant organisationnelles que territoriales en tenant compte des variables du genre et de l’appartenance ethnolinguistique. C’est à partir de la Base de données commerciale des Répertoires Scott’s de 2016 que nous examinons les changements survenus chez les propriétaires et gestionnaires d’entreprises depuis une dizaine d’années dans la RMR de Montréal. Les données montrent que, près de 10 plus tard, les différences persistent entre hommes et femmes en entrepreneuriat, soit la stagnation de la place des femmes entrepreneures dans la nouvelle économie. Les données montrent aussi que l’économie montréalaise est axée de plus en plus vers la nouvelle économie dans les divers groupes ethnolinguistiques.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.010 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.018 | 0.001 |
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".