Communitech et la dynamique des communs d’innovation au sein d’un espace collaboratif
Bibliographic record
Abstract
Le présent article analyse la dynamique de l’innovation qui émerge et se développe dans certains espaces collaboratifs emblématiques qui sont à l’origine de la formation de véritables écosystèmes d’innovation. L’étude se concentre sur le cas de Communitech Hub à Waterloo (Ontario) qui est à l’origine de la formation d’un écosystème entrepreneurial performant. Les résultats mettent en évidence certains traits communs entre ces espaces collaboratifs, à savoir : la dynamique d’innovation dans ces espaces est orchestrée par des initiatives bottom-up menées par des groupes informels d’individus (« commoners ») qui articulent une série de « communs d’innovation » pour développer leur projet innovant collaboratif. D’après nos observations, la dynamique de l’innovation dans les espaces collaboratifs résulte de la séquence de communs suivante : 1) des communs sociaux 2) des communs symboliques, et 3) des communs de connaissance. Au départ, les commoners émergent en tant que groupe actif d’une communauté professionnelle et contribuent à la formation et au maintien d’un commun social basé sur l’ouverture et la fertilisation croisée d’un réseau de professionnels ; ensuite, les commoners s’impliquent en tant que noyau central d’une « communauté épistémique » qui élabore une vision partagée et créer un espace collaboratif pour développer leur objectif d’innovation ; une fois que l’espace collaboratif fonctionne, les commoners mettent en place diverses communautés pour partager, préserver et enrichir un certain nombre de « communs de connaissance ». Chacun de ces communs correspond à un mécanisme de gouvernance de l’action collective sur une ressource commune spécifique qui est un déterminant clé du projet innovant.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.006 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 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".