Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Des bouleversements importants ont profondément secoué le monde du commerce international en 2022. Alors que la pandémie de COVID-19 affectait encore les chaînes d’approvisionnement et les déplacements, qu’on faisait face à une pénurie de main-d’œuvre importante et qu’une récession nous menaçait, d’autres événements majeurs sont venus déstabiliser encore plus notre économie. D’abord, le 28 janvier 2022, un convoi de camionneurs a pris d’assaut la capitale nationale et y a paralysé le centre-ville durant près de trois semaines. Ensuite, un autre groupe de camionneurs a bloqué certaines routes, dont le pont Ambassador entre Windsor et Détroit, considéré comme un point de passage névralgique pour la fourniture de pièces automobiles, ayant occasionné des pertes évaluées à plus d’un million de dollars par jour. 1 Enfin, le 24 février 2022, la Fédération de Russie agressait l’Ukraine, marquant le début d’une longue guerre dont les impacts économiques dépassent largement les frontières de la région. 2 En effet, le monde a connu une déstabilisation supplémentaire des chaînes d’approvisionnement 3 ainsi qu’une hausse importante du prix des matières premières et de l’énergie, ce qui a entraîné une baisse du volume des échanges 4 ainsi qu’une crise alimentaire majeure. 5 Enfin, face à l’attitude de la Fédération de Russie, de nombreux pays ont adopté des régimes de sanction économique, fragilisant encore plus l’équilibre pour les entreprises. À ce titre, à lui seul, le Canada a adopté plus de 1700 mesures de sanction économique à l’égard d’individus ou d’entités pour réagir à l’agression russe. 6 De toute évidence, la résilience des marchés a été fortement sollicitée.
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.
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 | 0.003 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.003 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 0.003 |
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 it