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’approvisionnement3 ainsi qu’une hausse importante du prix des matières premières et de l’énergie, ce qui a entraîné une baisse du volume des échanges4 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.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.011 | 0.006 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.646 | 0.503 |
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".