Les enjeux de la notation des start-up en phase d’amorçage1
Bibliographic record
Abstract
L’accès au financement des start-up en phase d’amorçage représente un défi en raison de la difficulté à évaluer leur potentiel de croissance. Notre recherche s’intéresse aux caractéristiques du marché des agences de notation de start-up en France en étudiant leur capacité à offrir une meilleure compréhension de ce potentiel. Notre méthodologie s’appuie sur une recherche qualitative et exploratoire au travers de la réalisation de dix-huit entretiens semi-directifs avec des acteurs du monde des start-up et de la notation. Nous montrons que, pour offrir une réelle plus-value et limiter simultanément les asymétries d’information et de connaissance entre dirigeants et financeurs, le processus de construction de la notation nécessite une forte fiabilité des données recueillies ainsi qu’une transparence accrue. La crédibilité de la notation suppose également le développement d’un standard axé sur trois piliers, « humain, marché et gouvernance ». La notation ainsi construite pourrait permettre de diversifier les sources de financement des start-up en phase d’amorçage et donc de soutenir leur développement.
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 | 0.008 | 0.040 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.009 | 0.009 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.019 | 0.007 |
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".