Bibliographic record
Abstract
Cette thèse s'articule autour de trois chapitres en économie de l'innovation et de la science. Pour ce faire, elle développe des modèles empiriques et théoriques pour analyser l'innovation technologique et scientifique et produire des recommandations politiques. Le premier chapitre utilise l'apprentissage automatique et les sciences de données pour construire un indicateur de l'innovation technologique. À l'aide d'une base de données unique sur les brevets au Canada, nous construisons un indice de qualité des brevets pour répondre à deux questions principales : l'absence d'une base de données systématique sur les brevets et leur valeur au Canada ainsi que l'évaluation du secteur pharmaceutique, l'un des principaux secteurs leaders de l'innovation au Canada . Les résultats révèlent que notre indice de qualité est lié à la performance économique des entreprises, à leur productivité et à la productivité agrégée. Le deuxième chapitre examine les innovations dans la recherche universitaire. Plus précisément, se focalisant sur les sciences économiques, ce chapitre vise à relier l'innovation et les inégalités en analysant la reconnaissance des idées des femmes. Des données bibliométriques issues de la recherche en économie sont utilisées pour étudier les biais de genre dans les citations. Sur la base des techniques d'apprentissage profond, on peut (1) établir les similitudes entre les articles (2) établir un lien entre les articles en identifiant les articles qui citent, les articles cités et les articles qui devraient être cités. Cette étude révèle qu'en moyenne, les articles qui ne sont pas cités sont 20% plus susceptibles d'être écrits par des femmes que par des hommes. Ce biais d'omission est plus répandu lorsqu'il n'y a que des hommes dans l'article citant. Dans l'ensemble, pour avoir le même niveau de citation que les articles rédigés par des hommes, les articles rédigés par des femmes doivent être supérieurs de 20 centiles dans la distribution du degré d'innovation de l'article. Enfin, le dernier chapitre analyse l'innovation dans une perspective plus macroéconomique, en se concentrant sur les entrepreneurs. En effet, les entrepreneurs sont au cœur du développement économique et de l'innovation. Cependant, l'activité entrepreneurial reste très risquée. Quelles sont donc les opportunités de diversification des risques d'investissement pour les entrepreneurs ? Pour répondre à cette question, nous étudions le rôle de l'intégration financière. Avec un modèle théorique en temps continu et avec des agents hétérogènes, nous montrons que l'ouverture financière produit des gains de bien-être substantiels pour les entrepreneurs et peut donc les aider à diversifier le risque d'investissement. Nos résultats sont également étayés par une analyse empirique.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 teacher head, 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".