Résultats des dépenses en recherche et développement des entreprises des trois dernières années, selon le groupe d'industries fondé sur le Système de classification des industries de l'Amérique du Nord (SCIAN)
Bibliographic record
Abstract
Ce tableau contient 1575 séries, avec des données pour les années 2014 - 2015 (il n'y a pas nécessairement de données pour toutes les années pour l'ensemble des combinaisons). Ce tableau contient des données telles que décrites par les dimensions suivantes (Les combinaisons ne sont pas toutes disponibles) : Géographie (1 élément : Canada) Système de classification des industries de l'Amérique du Nord (SCIAN) (75 éléments : Total, toutes les industries; Agriculture, foresterie, pêche et chasse; Agriculture (sauf l'aquaculture) et activités de soutien aux cultures agricoles et à l'élevage; Foresterie, exploitation forestière et activités de soutien à la foresterie; ...) Unités selon le type de dépenses au titre de la recherche et développement (3 éléments : Total, dépenses au titre de la recherche et développement intramuros et exécutée en sous-traitance; Dépenses au titre de la recherche et développement intra-muros; Dépenses au titre de la recherche et développement exécutée en sous-traitance) Résultats des dépenses en recherche et développement des trois dernières années (7 éléments : Améliorations sélectionnées; Biens; Services; Méthodes de fabrication ou de production des 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 | 0.007 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.005 | 0.009 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 0.005 |
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".