Entrepreneuriat immigrant : la mobilisation régulière des connaissances du pays d’origine et son impact sur l’innovation au sein du pays d’accueil
Bibliographic record
Abstract
Cet article vise à comprendre le rôle des connaissances issues du pays d’origine dans les activités d’innovation des entrepreneurs immigrants au sein du pays d’accueil. En mobilisant la littérature sur l’entrepreneuriat transnational de la diaspora et l’innovation ouverte, nous explorons le cas de quatre entrepreneurs africains installés à Montréal. Ces entrepreneurs devaient bénéficier de manière régulière des connaissances du pays d’origine, à travers la mise en place de projets d’innovation avec des acteurs au sein de cet environnement. Les résultats montrent que les connaissances mobilisées par les entrepreneurs dans le pays d’origine proviennent principalement de leur capital social et humain. Le capital social est mobilisé à travers des relations informelles ou formelles avec des membres de la famille, des amis ou des partenaires professionnels, tandis que le capital humain est mobilisé à travers l’expérience de l’entrepreneur. Ces connaissances du pays d’origine permettent aux entrepreneurs d’introduire des innovations de produits/services, de position, de processus et de paradigme au sein du pays d’accueil qui, à leur tour, sont porteuses de retombées économiques et sociales dans le pays d’origine. Cette étude enrichit la compréhension du lien entre l’entrepreneuriat immigrant et l’innovation, tout en mettant en lumière l’impact social et économique des entrepreneurs de la diaspora dans leur pays d’origine.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.017 | 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".