Stratégie de mise à niveau technologique des entreprises québécoises
Bibliographic record
Abstract
Nous examinons les stratégies de mise à niveau technologiques des entreprises québécoises en comparant leur taux d’adoption des nouvelles technologies à celles des entreprises du reste du Canada à l’aide des données de l’Enquête sur l’innovation et les stratégies d’entreprise (EISE) de Statistique Canada pour les années 2009, 2012 et 2017. Pour 2017, nous constatons que le Québec se situe dans la moyenne canadienne en ce qui a trait à l’adoption des technologies de pointe, et même en avance pour ce qui est des technologies émergentes. Une analyse économétrique des déterminants de l’adoption de ces technologies permet ensuite d’identifier certains facteurs explicatifs des différences dans les taux d’adoption entre les entreprises. Nous constatons que les grandes entreprises, celles avec des activités d’exportation à l’extérieur du Canada, celles faisant face à un taux de compétition plus élevé et celles avec un plus fort pourcentage d’employés ayant un diplôme universitaire sont toutes plus enclines à adopter davantage les nouvelles technologies de pointe. Finalement, nous comparons d’autres stratégies de mise à niveau concernant l’adoption de pratiques de gestion de pointe et de stratégies d’innovation.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".