Détermination des facteurs contribuant à la propension et à l’intensité de coopération en matière d’innovation par les PME manufacturières: des analyses qualitatives comparatives (QCA)
Bibliographic record
Abstract
Le but de cet article est d‘étudier l‘effet de la taille, de l‘âge, de l’intensité de R-D et du réseautage du dirigeant sur la propension et l’intensité de coopération en matière d’innovation. L'analyse est basée sur un échantillon de 273 PME manufacturières situées au Québec, Canada. Jusqu’ici, la coopération en matière d’innovation a été largement étudiée à travers des analyses corrélationnelles classiques, qui limitent l’étude des synergies entre les conditions. Les résultats des analyses qualitatives comparatives (QCA) menées abordent cette lacune et confirment que diverses configurations de conditions, reflétant différents profils de PME manufacturières, sont propices à ce qu’elles coopèrent. Ils suggèrent que des configurations de conditions différentes expliquent la propension (oui/non) et l’intensité de coopération avec des partenaires du marché (clients, fournisseurs, concurrents, consultants) et de recherche (laboratoires, centres de transfert de technologie, cégeps/collèges/instituts technologiques, universités). La coopération avec des partenaires de recherche exige de la part des PME qu’elles détiennent davantage de ressources (taille et intensité de R-D) que la coopération avec des partenaires du marché. L’intensité de coopération avec des partenaires du marché est davantage à la portée de toutes les PME manufacturières, étant donné la diversité de profils dégagés, et peut constituer une entrée en matière.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.003 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".