Keupayaan menyerap dan limpahan pengetahuan : bukti baharu daripada modal manusia dan R&D
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Keupayaan untuk menyerap pembangunan baharu daripada teknologi asing melalui aliran masuk pelaburan langsung \nasing (FDI) memainkan peranan penting dalam menentukan hubungan antara FDI, limpahan pengetahuan dan penciptaan \nilmu pengetahuan. Kajian ini menghipotesiskan bahawa kapasiti penyerapan kepada limpahan pengetahuan di antara \nnegara mungkin berbeza mengikut tahap modal manusia, dan penyelidikan dan pembangunan (R&D). Negara yang \nmemiliki tahap modal manusia dan R&D yang rendah mungkin tidak mempunyai kapasiti penyerapan yang sama \nberbanding dengan negara yang memiliki modal manusia dan R&D yang tinggi. Fokus utama kajian ini adalah untuk \nmengkaji hubungan tidak monotonik antara limpahan pengetahuan, modal manusia dan R&D. Mengaplikasikan teknik \nregresi ambang yang dicadangkan oleh Hansen (2000) untuk data keratan rentas dari tahun 1995 hingga 2014 yang \nmeliputi 190 buah negara, kajian mendapati wujud kesan tidak monotonik bagi modal manusia, dan R&D kepada \npenciptaan ilmu pengetahuan. Hanya selepas paras ambang bagi modal manusia dan R&D, FDI mempunyai kesan \npositif terhadap penciptaan ilmu pengetahuan. Tambahan pula, keupayaan ini akan menjadi lebih berkesan jika negara \nmempunyai penguasaan bahasa Inggeris yang lebih baik.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.000 | 0.003 |
| Insufficient payload (model declined to judge) | 0.173 | 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 it