Capital de créativité, apprentissage collectif et innovation : le cas de la région du Saguenay-Lac-Saint-Jean
Bibliographic record
Abstract
La montée d'une nouvelle économie du savoir, où l'innovation et les avancées liées aux activités d'apprentissage de la connaissance possèdent une valeur accrue, tend à transformer les conditions de développement des territoires locaux et régionaux. Ainsi, ces derniers doivent s'adapter aux changements rapides des marchés en devenant des lieux qui fertilisent l'innovation. La région du Saguenay-Lac-Saint-Jean possède les différents éléments d'un système d'innovation performant, notamment la présence d'un capital de créativité composé des ressources humaines, entreprises et organismes du territoire qui oeuvrent à la production de nouvelles activités économiques. \n \nMais, malgré son potentiel innovateur, la région semble éprouver de la difficulté à s'intégrer et à être compétitive sur les marchés de la nouvelle économie du savoir. Ainsi, les experts qui forment le capital de créativité de la région ne semblent pas assez dynamiques en matière d'innovation. Face à cette réalité il nous apparaît important d'étudier la manière dont ces derniers pourraient s'y prendre pour fertiliser davantage l'innovation sur le territoire. \n \nEn s'appuyant sur la théorie des territoires à succès, qui représentent des milieux aptes à faire émerger fortement l'innovation, nous pouvons constater que la capacité des experts d'un milieu à travailler ensemble et à réunir leurs compétences pour ?uvrer à des projets communs de développement joue un rôle important en matière d'innovation. Ainsi, la capacité de développer des processus d'apprentissage collectif, basés sur un partage et un transfert important de la connaissance entre les ressources humaines expertes des territoires locaux et régionaux, tend à stimuler l'innovation en ces territoires. \n \nNotre cadre théorique, composé des concepts de territoires à succès et d'apprentissage collectif, démontre l'importance d'étudier la capacité des acteurs qui composent le capital régional de créativité à stimuler des processus innovateurs basés sur un plus grand partage de la connaissance entre eux. Ainsi, ce mémoire consistera à présenter une analyse des diverses formes de mécanismes d'interaction ou de «réseautage» que se développent les experts créatifs de la région entre eux pour réaliser collectivement des projets innovateurs. \n \nPour ce faire, nous tenterons de répondre à la question de recherche suivante : quels mécanismes interactifs permettent aux ressources humaines qui composent le capital de créativité de la région du Saguenay-Lac-Saint-Jean de développer des processus d'apprentissage collectif efficaces qui renforcent la capacité innovatrice de la région, accentuant ainsi ses avantages concurrentiels pour l'aider à se repositionner plus facilement sur les marchés de la nouvelle économie du savoir ? Bref, ce mémoire démontrera l'existence de plusieurs formes de mécanismes d'interaction sur le territoire qui tendent à fertiliser l'innovation dont nous présenterons les caractéristiques spécifiques qui les distinguent les unes des autres. \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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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 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".