MétaCan
Menu
Retour à la cohorte
Enregistrement W2462274527 · doi:10.1080/02681102.2015.1121857

Creating the Enabling Environment for More Transparent and Better-resourced Local Governments: A Case of E-taxation in the Philippines

2016· article· en· W2462274527 sur OpenAlexfundno aff
Michael P. Cañares

Notice bibliographique

RevueInformation Technology for Development · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueE-Government and Public Services
Établissements canadiensnon disponible
Organismes subventionnairesAustralian Agency for International DevelopmentCoordenação de Aperfeiçoamento de Pessoal de Nível SuperiorInternational Development Research Centre
Mots-clésInformation and Communications TechnologyContext (archaeology)Corporate governanceRevenueBusinessArticulation (sociology)Local governmentE-governancePoliticsPublic relationsAccountingPublic administrationFinancePolitical science

Résumé

récupéré en direct d'OpenAlex

This research joins the growing body of literature that advocates for the use of information and communication technology (ICT) in local governance more particularly in public financial management. Using a case study in Bohol, a province in the Philippines, this paper discusses the impact of ICT on local revenue generation by analyzing both quantitative and qualitative data from 15 municipalities which used e-taxation. This paper argues that the use of ICT can make possible more transparent and accountable revenue generation systems to benefit both government and taxpayers. However, these results are differentiated depending on the level of political leadership, the nature of articulation of the demand for ICT use, the ratio of benefit against cost, and the availability of technical skills and resources at the sub-national level. It is within this context that an eco-system analysis is argued to be useful in analyzing how ICT can be adopted, scaled, and used by sub-national governments to achieve better governance.

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)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,055
Score d'incertitude au seuil0,109

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0070,006
Communication savante0,0050,003
Science ouverte0,0010,005
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,020
Tête enseignante GPT0,266
Écart entre enseignants0,247 · 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'étudeQualitatif
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

Citations24
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInformation Technology for DevelopmentMême sujetE-Government and Public ServicesTravaux en français237 207