Bibliographic record
Abstract
Au Canada, l’opinion publique ne comprend pas toujours pourquoi les choses n’avancent pas plus vite en matière d’imposition des géants du Web. Plusieurs observateurs réclament des mesures unilatérales. À certains égards, cette voie peut sembler plus facile. Les mesures unilatérales n’ont pourtant pas que des avantages, surtout si plusieurs autres pays font la même chose et que les États-Unis s’y opposent. Il ne faut pas oublier que si les géants du Web payaient un impôt plus élevé à l’extérieur des États-Unis, l’impôt qu’ils verseraient au gouvernement des États-Unis diminuerait. À un extrême se trouvent les mesures unilatérales, à l’autre extrême se trouvent les mesures multilatérales. Ces dernières ne sont jamais la voie la plus facile, comme en témoigne la réflexion en ce sens qui est commencée depuis environ 25 ans au sein de l’Organisation de coopération et de développement économiques. Avant la crise provoquée par la COVID-19, cette organisation avait prévu qu’une entente serait conclue d’ici à la fin de 2020. Il faut faire preuve de patience. Il est donc utile de montrer, dans ce texte, que les solutions ne sont pas simples et que les défis sont nombreux et difficiles à relever.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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".