Operationalizing ‘Policy Capacity’: A Case Study of Climate Change Adaptation in Canadian Finance Agencies
Notice bibliographique
Résumé
Although a widely used term in the literature, much of what we know about “policy capacity” in government is limited to anecdotal evidence. Policy scholars have not systematically investigated the ability of policy professionals to provide good advice in relation to new policy challenges; indeed many are skeptical that policy capacity (understood as the potential for “evidence based policy learning”) is an important driver of policy change in the first place. Despite these empirical and theoretical problems, governments remain committed to improving policy capacity in the pursuit of better public policy. This paper offers some preliminary observations on the difficulty of studying and operationalizing policy capacity through an examination of the finance sector in relation to climate change adaptation; part of a large collaborative SSHRC CEI project. Drawing on the existing literature on Canadian finance policymaking dynamics, a survey of policy professionals in the area, and an illustrative case study, the paper makes two claims. It suggests that viewing capacity as involving both the cognitive skills of professionals (or “analytical capacity”), and the institutional arrangements in which policy research is conducted (or “governance arrangements”), is a useful starting point. However, as the findings in this paper highlight, if capacity is the ability to provide effective advice in relation to specific problems, then the nature of the problem itself (how “wicked” or otherwise it might be) will also impact capacity.
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 | 0,009 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,008 |
| Études des sciences et des technologies | 0,031 | 0,013 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 ».