MétaCan
Menu
Retour à la cohorte
Enregistrement W2303485731 · doi:10.35648/20.500.12413/11781/ii038

Mobilising the Household Data Required to Progress toward the SDGs

2014· preprint· en· W2303485731 sur OpenAlexfundno aff
Sabina Alkire, Emma Samman

Notice bibliographique

RevueUniversity of Oxford · 2014
Typepreprint
Langueen
DomaineSocial Sciences
ThématiqueIncome, Poverty, and Inequality
Établissements canadiensnon disponible
Organismes subventionnairesBundesministerium für Wirtschaftliche Zusammenarbeit und EntwicklungAustralian Agency for International DevelopmentGeorg-August-Universität GöttingenUniversity of OxfordOverseas Development InstituteInternational Development Research CentreEconomic and Social Research CouncilInternational Fine Particle Research InstituteUnited Nations Development ProgrammeRobertson FoundationUNICEF
Mots-clésComputer scienceData science

Résumé

récupéré en direct d'OpenAlex

Progress on the Sustainable Development Goals (SDGs) will be reported annually, but at present data on poverty-related SDGs are not updated frequently, nor are the data always available promptly. This paper reviews the key non-census data sources underlying the MDGs -household surveys (national and international), and administrative and registry data -to assess which data sources could provide the more frequent data required to design and coordinate policies, measure, manage, and monitor progress towards the poverty-related SDGs. It also reviews new data sources such as opinion polls 'big data', satellite data, call records, and other digital breadcrumbs to see how these might augment the information required to assess progress in the SDGs. We evaluate each option according to ten criteria. While each option has strengths, and each will clearly contribute, high quality multi-topic household surveys complemented by interim lighter surveys have a demonstrated ability to collect the core indicators of human poverty at an individual and household level in a rigorous way, so are likely to remain a core component of the data framework.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Empirique
Score de désaccord entre enseignants0,724
Score d'incertitude au seuil0,994

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0040,003
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,129
Tête enseignante GPT0,319
Écart entre enseignants0,190 · 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 tête enseignante, 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

Citations29
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUniversity of OxfordMême sujetIncome, Poverty, and InequalityTravaux en français237 207