Bibliographic record
Abstract
En économie, il existe peu de domaines autres que l'étude de la productivité pouvant attirer autant d'intérêt scientifique tout en ayant une si grande portée sociale.Pour toute entité économique d'envergure, comme un pays entier, l'augmentation de la productivité constitue la seule façon relativement stable de hausser le niveau de vie.Aussi est-il capital a) de connaître l'évolution de la productivité dans le passé, en des lieux et circonstances diverses, b) de tenter de déduire de cette information une compréhension des sources de la croissance de la productivité et de leurs interactions, afin de c) formuler des prédictions éclairées concernant la croissance ultérieure de la productivité et d) la façon avec laquelle les politiques pourraient l'influencer.Ce sont précisément les thèmes des articles de ce numéro.Certains les abordent au niveau macroéconomique, et c'est à ce palier que j'ai choisi de poser les grandes questions.D'autres scrutent la microéconomie, industrie par industrie ou société par société.C'est précisément à cette échelle où, traditionnellement, on s'attend à trouver les explications essentielles.Comme préface à cette étude d'envergure, je voudrais attirer l'attention sur certains points saillants, tant analytiques qu'empiriques, concernant l'évolution de la productivité -et qui semblent mériter qu'on s'y attarde.On trouvera dans les articles qui suivent beaucoup de données pertinentes, de même que certaines pistes pouvant éventuellement mener à des réponses.Mais le sujet ne s'en trouvera pas épuisé pour autant.
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 | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.536 | 0.361 |
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".