Notice bibliographique
Résumé
Understanding variability in performance indicators It is very unusual for a performance indicator to remain constant over any reasonable time period. When assessing performance, we need to know whether the differences seen from one period to the next are a sign of real change or are merely the result of variation that can be expected. Wheeler (1993) is a very readable book that suggests practical ways to understand and interpret variability in data. Wheeler argues that the output from any managed process will always display some variability, which means that performance through time must be interpreted very carefully. Wheeler provides several examples that clearly demonstrate the danger and difficulty in knowing whether apparent performance improvements are genuine or just random variation. This is an important question at all levels in the public sector, whether we are concerned with national economic performance or the micro performance of a single programme. For example, as this book is being written, economic commentators are sharing their views on the state of the UK economy. The UK’s Office of National Statistics has just published its estimate of growth in Gross Domestic Product (GDP) for the first quarter of 2010. The released figure, which may be later revised, is 1.1 per cent, which is larger than expected. Despite the excited comments of TV pundits and serious academics, no one seems to know whether this is a real improvement or just within the expected range of variation for this type of economic statistic. Like other writers, Wheeler suggests that variation though time can be separated into two elements. The first is common cause variation, sometimes known as noise or random variation. It has many different causes that include poorly defined operating procedures, measurement '... errors and wear ...' and tear in equipment. In the case of many public services, we must add the sheer variability in the cases with which staff must deal. Common cause variation can be reduced and should be reduced to a minimum. However, doing so can be expensive and may not be worth it if the cost is excessive. Special cause variation, often known as the signal, is usually caused by a change in the system that is being monitored. It indicates a real shift in performance and its detection is vital to the proper use of performance indicators.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,008 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».