Proposition d'un modèle d'affaires pour un centre favorisant l'innovation dans le secteur de la construction au Québec
Bibliographic record
Abstract
Le secteur de la construction au Québec est en perte de vitesse notamment dans sa capacité à innover. Cependant le monde de la recherche est actif, mais du côté de l'industrie, le risque lié à l'innovation est encore trop élevé. Bien que le secteur pèse près de 10% dans l'économie de la province, le gouvernement n'a pas encore pris de mesures créatives pour favoriser l'adoption de l'innovation dans un secteur très fragmenté. \n \nÀ l'étranger, de nombreux pays utilisent déjà des modèles perfectionnés de partage de meilleures pratiques comme le Royaume-Uni avec le modèle du «Constructing Excellence» ou les États-Unis avec le «Construction Industry Institute» (CII). Il s'agit donc dans cette étude de proposer un modèle d'affaires pour un «centre de meilleures pratiques» dédié à la construction québécoise fondé sur les composantes génériques identifiées dans les modèles références. \n \nDans un processus d'amélioration continue, le benchmarking de projets de bâtiments permet de développer une culture de partage et d'identifier ainsi leurs pratiques innovantes. C'est la mission actuelle du « Centre d'études et de recherches pour l'avancement de la construction au Québec » (CERACQ) avec son « Programme de Benchmarking » lancé en octobre 2005 en collaboration avec l'École de Technologie Supérieure. Les premières conclusions de ce projet sont émises dans cette étude et permettent de comprendre le contexte québécois « de l'intérieur ». \n \nUn transfert de savoir-faire adapté peut rendre la recherche en construction encore plus appliquée à ses besoins, et profitable à toute l'industrie. Mais sans intervention du gouvernement, un mode d'approvisionnement toujours axé sur les coûts ne remédiera pas à une « culture du secret » encore très présente dans les mentalités de l'industrie. \n \n
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 0.002 |
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".