Utilizzo di tecniche di web mining per una valutazione dell'innovatività delle aziende
Bibliographic record
Abstract
L'innovazione è un tema che negli ultimi anni viene sempre più trattato da aziende private e da entità governative, poichè può essere considerato il motore principale della crescita economica. Come è difficile innovare è altrettanto complesso individuare l'innovazione nelle aziende e definire quali tra le tante possono essere le vere aziende "innovative". Per farlo è necessario essere a conoscenza di diverse informazioni che spesso non sono accessibili liberamente da terzi. L'obiettivo di questa tesi è di verificare se esiste la possibilità di classificare con una qualche affidabilità un'azienda come innovativa o meno sulla base di un'analisi del solo sito aziendale, utilizzando come variabile target i testi delle pagine web delle aziende dichiarate innovative dalla camera di commercio italiana. Non avendo a disposizione un database che contenesse le aziende reputate non innovative, è stato allenato un modello di regressione logistica sui dati positivi - nonchè i testi delle aziende innovative - e su dati non etichettati, rappresentati dai testi dei siti web del resto delle aziende italiane non registrate nel registro delle imprese innovative. Si introduce perciò l'ambito del Positive Unlabeled Learning. I risultati mostrano che questo approccio produce previsioni credibili e ha il potenziale per essere un'aggiunta altamente efficiente in termini di costi all'insieme esistente di indicatori di innovazione. Le probabilità previste a livello di impresa possono essere interpretate come una misura continua di innovazione, offrendo ulteriori vantaggi rispetto agli indicatori di innovazione binaria tradizionali.
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 | 0.006 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.011 | 0.011 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.006 |
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".