L'effet des dons des entreprises privées sur les organisations-non-productrices-de-profit : le cas des universités de Montréal
Bibliographic record
Abstract
Les dons effectués par les entreprises privées auprès d’organismes communautaires à but non lucratif semblent avoir des effets à long terme sur ces derniers. Ces entreprises cherchent à la fois à semer le bien dans les communautés dans lesquelles elles interviennent, mais également à améliorer leur image au sein de celles-ci. Les organismes communautaires oscillent donc entre le devoir de servir leurs usagers du mieux qu’ils le peuvent, en respectant leur mission avec la plus grande diligence, et les nombreuses conditions qui se rattachent aux dons reçus. Ils doivent travailler avec un financement octroyé à court terme, de nombreuses mesures évaluatives ainsi que les volontés de donateurs parfois indiscrets. Il en résulte une identité qui se rapproche de plus en plus de celle des entreprises privées. L’étude dans ce mémoire tente d’évaluer si les usagers des quatre universités principales de Montréal adoptent une identité mercantiliste et comment ils évaluent leur rôle au sein de leurs établissements d’enseignement. Ces étudiants assumeraient un rôle davantage engagé envers les entreprises donatrices, à la fois au sein de leur institution et dans la société en général. Ils revêtiraient une identité conforme à ce qu’attend une entreprise qui effectue un don de manière intéressée en consommant de leurs biens et services.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 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".