The Discursive Turn in Policy Analysis and the Validation of Policy Stories
Notice bibliographique
Résumé
Abstract This paper is concerned with the language of policy documents in the field of health care, and how ‘readings’ of such documents might be validated in the context of a narrative analysis. The substantive focus is on a comparative study of UK health policy documents (N= 20) as produced by the various assemblies, governments and executives of England, Scotland, Wales and Northern Ireland during the period 2000–09. Following the identification of some key characteristics of narrative structure the authors indicate how text-mining strategies allied with features of semantic and network analysis can be used to unravel the basic elements of policy stories and to facilitate the presentation of data in such a way that readers can verify the strengths (and weaknesses) of any given analysis – with regard to claims concerning, say, the presence, absence or relative importance of key ideas and concepts. Readers can also ‘see’ how the different components of any one story might fit together, and to get a sense of what has been excluded from the narrative as well as what has been included, and thereby assess the reliability and validity of interpretations that have been placed upon the data.
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 | 0,199 | 0,382 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,012 | 0,011 |
| Études des sciences et des technologies | 0,011 | 0,084 |
| Communication savante | 0,028 | 0,035 |
| Science ouverte | 0,004 | 0,015 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».