Mieux comprendre le rôle de la mobilisation des connaissances dans l’écosystème d’innovation lié à la transformation alimentaire
Bibliographic record
Abstract
Si l’amélioration de la qualité nutritionnelle de l’offre alimentaire est l’une des voies vers une meilleure santé pour la population, l’écosystème d’innovation conduisant à de tels bénéfices pourrait être mieux articulé. En effet, une meilleure mobilisation des connaissances entre les entreprises bioalimentaires, les centres universitaires de recherche en nutrition et les organismes de santé publique est susceptible d’apporter de tels avantages à la société. Cependant, bien que les entreprises bioalimentaires jouent un rôle central dans l’amélioration de l’offre alimentaire par leur rôle de transformateurs d’aliments, il existe souvent peu de liens entre elles, les centres universitaires de recherche en nutrition et les organisations de santé publique. Mobiliser les connaissances entre ces acteurs a le potentiel de mener à de meilleurs partenariats et à une meilleure compréhension des enjeux de chaque partie. En créant une meilleure communication, les activités, les positions et les liens entre ces institutions ont le potentiel d’être mieux alignés, afin de générer de la valeur sous forme de produits améliorés. Dans cette dynamique, les diététistes/nutritionnistes peuvent s’avérer être des acteurs de changement pour aider à relever les défis de tels rapprochements, dans le but de générer des bénéfices pour tous les acteurs impliqués, et d’instaurer une meilleure mobilisation de l’information dans l’écosystème d’innovation de la transformation bioalimentaire.
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 | 0.007 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.005 | 0.011 |
| Scholarly communication | 0.016 | 0.013 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.018 | 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".