Le Québec et les retombées économiques de la défense. Que reste-t-il ?
Bibliographic record
Abstract
Au Canada, comme dans la plupart des pays, l’utilisation des importants contrats d’acquisition du ministère de la Défense s’est imposée comme un instrument de développement économique. Toutes les régions canadiennes cherchent à obtenir leur part des retombées de la défense, un processus encadré depuis 1986 par la politique des retombées industrielles et régionales (RIR). Depuis le tournant des années 1980, la performance du Québec à ce chapitre a été très louvoyante pour ne pas dire carrément décevante pour certaines périodes. Dans le contexte de la réforme de la politique des RIR et dans la mesure où la base industrielle de défense québécoise se spécialise dans les activités d’entretien, qu’il y a plusieurs années que les milieux politiques et économiques ne se sont pas mobilisés pour réclamer des retombées de la défense et que, de façon générale, les Québécois ne s’associent pas naturellement aux affaires militaires, les conditions ne sont pas favorables à une augmentation de ces retombées pour la province. Les auteurs concluent que le Québec aurait avantage à miser sur une nouvelle stratégie visant à mettre la main sur d’autres types de retombées, civiles plutôt que militaires, qui seraient plus structurantes pour son économie.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.022 | 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".