MétaCan
Menu
Retour à la cohorte
Enregistrement W159313701

Let Your Plan do the Driving: Effective Performance Measurement

2012· article· en· W159313701 sur OpenAlexaboutno aff
Stephanie McCabe, A. W. Anderson

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueTransportation Planning and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPlan (archaeology)Process (computing)Process managementCorporate governanceStrategic planningMaster planBusinessPerformance measurementOperations managementComputer scienceEngineeringEngineering managementMarketingFinance
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

How do we know we are achieving the goals of a long term vision such as a Transportation Master Plan? The City of Edmonton in Alberta, Canada has developed a governance framework that links the Transportation Master Plan with an Implementation Plan and Performance Measures with Targets. These plans are driving the direction of Transportation Services Department and this is a significant change in the organization. Performance measures and targets were developed to align with the goals of the plan. Keeping a planning document alive and having the plan drive your organization’s decision making can be a challenge. However, creating a process that links the Vision with the budget process through performance measures allows for governments to select projects that will maximize the benefits for citizens and direct the city in the direction of the long term vision. This process is more important in recent times because tight budgets require governments to make difficult spending trade offs. The governance framework developed by the City of Edmonton and implemented for the 2012 to 2014 Capital Budget is one example of a successful performance measurement framework that has had a positive influence on the organization’s decision making process.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,110
score de la tête « metaresearch » (Gemma)0,160
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,110
Score d'incertitude au seuil0,583

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1100,160
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0090,012
Études des sciences et des technologies0,0050,007
Communication savante0,0170,015
Science ouverte0,0030,008
Intégrité de la recherche0,0020,005
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,045
Tête enseignante GPT0,285
Écart entre enseignants0,240 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetTransportation Planning and OptimizationTravaux en français237 207