Les technologies de l'information et de la communication (TIC) comme moteur de l'innovation dans les économies territoriales
Bibliographic record
Abstract
Dans un espace géographique donné, le développement, inégal des régions est la résultante de plusieurs facteurs qui ont historiquement désavantagé les régions périphériques par rapport aux pôles de croissance métropolitains. Cette situation n'est pourtant pas inéluctable. L'avènement des technologies de l'information et de la communication (TIC) a produit une nouvelle donne, où sont réinventés les modèles d'affaires et disparaissent les barrières spatiotemporelles existant entre fournisseurs d'information et de biens, distributeurs et consommateurs. \n \nLa présente étude, réalisée dans quatre municipalités régionales de comté (MRC) du Québec, montre que les dirigeants d'entreprises y sont conscients de la puissance des TIC; qu'en les intégrant de mieux en mieux dans la conduite de leurs opérations, ils protègent l'avenir de leur organisation et concourent au renforcement du dynamisme économique et social de leur territoire. L'appropriation et l'usage des outils informatiques représentent une contribution essentielle au nécessaire rattrapage des territoires périphériques et à l'atteinte d'un développement satisfaisant. \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 | 0.006 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.008 |
| Science and technology studies | 0.006 | 0.016 |
| Scholarly communication | 0.019 | 0.013 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.033 | 0.008 |
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".