428 - De la recette gagnante… tout sur les écosystèmes d’innovation en santé et au-delà

Le financement joue un rôle critique dans le succès des projets de recherche. Il est donc essentiel d'évaluer l'influence du financement sur les résultats scientifiques des chercheurs. Dans cette étude, nous visons à examiner l'impact de divers programmes de financement fournis par le Conseil de recherches en sciences naturelles et en génie (CRSNG) et à comparer l'impact et la productivité des chercheurs financés. Nous effectuons d'abord une analyse descriptive pour mieux comprendre les tendances des différents programmes de financement offerts par le CRSNG, y compris les changements des montants de financement et de l’allocation à travers les provinces et les universités, et d'autres facteurs pertinents au fil de temps. Ensuite, nous utilisons des modèles statistiques et des algorithmes d'apprentissage automatique ajustés sur la base de données intégrée des publications et du financement des chercheurs pour déterminer l'efficacité des différents programmes de financement du CRSNG. L'objectif principal est de comprendre l'impact du financement sur la production scientifique des chercheurs. L'étude est en cours et les résultats seront disponibles bientôt.

Cette étude tente de comprendre la signification de l’utilisation des concepts liés à l’innovation dans les sites internet des entreprises. Utilisant les archives du web « The Wayback Machine », nous avons extrait le contenu des sites internet de 1 289 répondants ayant participé à 21 enquêtes par questionnaire entre 2010 et 2016. Nous avons par la suite comparé ces données sur la base de la fréquence documentaire de mots-clés liés à différents concepts d’innovation aux indicateurs issus des questionnaires. L’estimation d’un système d’équations simultanées nous a permis de déterminer si que les concepts liés à l’innovation sur les sites internet des entreprises expliquent mieux l’investissement reçu que l’évidence d’innovation issue des réponses aux questionnaires, démontrant ainsi la complémentarité de cette nouvelle source de données.

La science et la technologie sont étroitement liées, les nouvelles technologies émergeant fréquemment des découvertes scientifiques et du progrès technologique offrant de nouvelles perspectives et de nouveaux instruments pour la recherche scientifique. L'objectif de cette recherche est d'étudier le rôle des interacteurs science-technologie, c'est-à-dire des acteurs  critiques qui relient la science et la technologie et soutiennent le transfert de connaissances de la science à l’innovation dans l'écosystème collaboratif. Pour y parvenir, nous identifions d’abord les acteurs critiques pour les interactions science-technologie dans l'écosystème et puis nous étudions l'impact de leur comportement collaboratif et d'autres facteurs sur la structure du 
réseau et sur la production technologique de l'écosystème. Nous utilisons des publications dans le domaine de l'intelligence artificielle extraites du SCOPUS d'Elsevier et des informations sur les brevets de l'USPTO. La méthodologie comprend des simulations de réseaux de collaboration avec un modèle à base d’agents utilisant le langage de programmation Python tout en appliquant des algorithmes d'apprentissage automatique. L'effet des auteurs-inventeurs est examiné en simulant divers scénarios dans l'écosystème science-technologie. À la suite de cette recherche, les caractéristiques optimales des interactions science-technologie sont mises en évidence et des recommandations politiques sont dérivées.

Les technologies émergentes propulsent l'innovation et résolvent des défis mondiaux complexes. Cependant, il n'existe pas de critères largement acceptés pour détecter les sujets émergents, et les approches traditionnelles présentent des limites telles que la curation manuelle, la manque de scalabilité et la subjectivité. Pour faire face à ces limitations, cette étude déploie un algorithme de détection de sursaut financier associé à des méthodes d'apprentissage automatique pour détecter et prédire les tendances futures des termes émergents dans le domaine de l'intelligence artificielle (IA). À cette fin, nous utilisons des données publiques de la base de données de brevets de Web of Science. L'algorithme de détection de sursaut est automatisé et réduit la nécessité de curation manuelle et le risque de biais humains, tandis que le classificateur de réseau neuronal profond (DNN) augmente la précision de la méthode de 10% à 15% par rapport à l'approche Random Forest. Les résultats montrent que la méthode proposée prédit avec succès la prévalence future des sujets IA avec une précision de plus de 90% pour un ensemble de données de brevets d’IA entre 2009 et 2022. Cette étude fournit une solution pour un processus scalable, automatisé et quantifiable pour détecter et prédire les tendances technologiques émergentes.

Cet article propose un outil qui utilise des informations du Web pour générer une approximation d’un indicateur de culture environnementale développé par B Lab. Utilisant les plus récentes avancées du traitement du langage naturel (NLP), la création de modèles de langage pré-entraînés comme BART qui semble mieux capturer les facettes sémantiques des langues naturelles, l’algorithme et les données permettent l’analyse en temps réel, un coût de construction minimal, une granularité et une grande taille d’échantillon. La tâche de classification de texte « Zero-shot » permet de créer un indicateur de la culture environnementale des entreprises. L’outil est testé sur la base de données B-CORP qui fournit des scores de performance environnementale de milliers d’entreprises. Nos résultats montrent que les scores fournis par l’outil sont fortement corrélés avec l’indicateur environnemental proposé par l’organisation.
1.

Cette étude vise à prédire les scientifiques étoiles de l'écosystème scientifique de l'intelligence artificielle (IA). Les données bibliographiques ont été extraites de Scopus et une gamme de techniques d'exploration de données, y compris l'apprentissage automatique et le traitement automatique du langage naturel, ont été utilisées pour obtenir des informations sur la discipline, le sexe et l'origine ethnique des auteurs. L'indice h a été utilisé comme indicateur des performances de la recherche et un réseau bibliographique dynamique d'auteurs en IA a été créé. La prédiction des étoiles montantes est basée sur les caractéristiques de début de carrière des auteurs telles que la production de la recherche, les mesures de réseau social et de diversité. On a trouvé que les étoiles montantes avaient des caractéristiques distinctes par rapport aux étoiles non montantes. Plusieurs classificateurs en apprentissage automatique ont été considérés pour la tâche de prédiction, et les résultats ont montré que les caractéristiques en début de carrière des auteurs ont le potentiel de prédire les scientifiques étoiles dans le domaine de l'IA. Cette étude offre des informations précieuses aux chercheurs, praticiens et organismes de financement souhaitant identifier et soutenir des chercheurs talentueux dans le domaine de l'IA.