Évaluation et développement des clusters. Comparaison de deux clusters : en France et au Québec dans le domaine du transport
Bibliographic record
Abstract
Dans un contexte de mondialisation et d’économie de la connaissance, des initiatives de clusters ont été largement mises en place partout dans le monde. En effet, la mise en place des clusters a suscité un intérêt particulier à les évaluer et à mesurer leurs performances et leurs impacts. La littérature montre que toutes les problématiques liées à l’évaluation des clusters sont posées de manière très générale, sans vraiment prendre en compte les différentes phases de développement des clusters au cours du temps lors de la définition des critères et des indicateurs d’évaluation. Or, la performance des clusters dans des phases de développement différentes n’est pas du tout la même. Ainsi, les critères et les indicateurs d’évaluation des clusters semblent varier en fonction de leur stade de développement et leur degré de maturité, une analyse de cycle de vie des clusters est nécessaire.Dans ce travail de recherche doctoral nous avons développé un modèle d’évaluation qui regroupe les différentes phases de développement du cluster. Et pour chaque phase de développement nous proposons des critères d’évaluation.Pour ce faire, nous avons choisi une méthodologie de nature qualitative par étude de cas. En effet, nous étudions deux cas de clusters dans le domaine du transport dans deux pays différents : le pôle de compétitivité "Mov’eo" en France et le créneau d’excellence "Transportail" au Québec, avec une comparaison à posteriori.
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 | 0.012 | 0.031 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.007 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
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".