Mieux comprendre le niveau d’adoption Des cryptoactifs au Québec
Bibliographic record
Abstract
Les cryptoactifs se développent de façon exponentielle au sein de l’économie mondiale. Les cryptomonnaies représentent la principale composante des cryptoactifs dont la plus connue est le Bitcoin. Les cryptoactifs partagent bon nombre des caractéristiques des cryptomonnaies mais il y a généralement une deuxième couche de fonctionnalités comme les contrats intelligents. La technologie liée aux cryptoactifs présente certes de nouvelles opportunités mais également des risques. Dans ce contexte, il est important, pour un régulateur de mieux comprendre le niveau d’adoption des cryptomonnaies de la population afin d’orienter les campagnes d’information et les messages de mise en garde. Dans ce projet de recherche exploratoire plusieurs méthodes d’acquisition de données ont été utilisées. Une revue des enquêtes de différentes organisations sur le niveau de connaissance et le profil des utilisateurs de cryptoactifs dans plusieurs pays a été mené. Pour le Québec, des questions spécifiques sur la connaissance et l’adoption des cryptomonnaies ont été ajoutées aux enquêtes 2021 et 2022 du Baromètre CIRANO qui sonde la population du Québec sur des enjeux de société. Afin d’affiner l’analyse, un échantillon d’investisseurs possédant ou ayant possédé des cryptomonnaies, membres de groupes de discussion sur les cryptomonnaies a été sondé. Enfin, une revue algorithmique a montré très nettement une augmentation du nombre de publications académiques sur le sujet, notamment associées à la technologie. De plus, le sujet des cryptomonnaies a été de plus en plus couvert par les médias grand public, ce qui a suscité l'attention et la sensibilisation de la population et notamment sur les réseaux sociaux. L’analyse des conversations sur Twitter a montré que le nombre de gazouillis, qui était stable jusqu’en décembre 2020, a augmenté de façon importante et a porté sur la variation du prix des cryptomonnaies et souvent avec des recommandations d’achat et de vente.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 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".