MétaCan
Menu
Retour à la cohorte
Enregistrement W2547943964

Making sense, discovering what works… Cross-agency collaboration in Child Welfare and Protection in Norway and Quebec

2016· article· en· W2547943964 sur OpenAlexaboutno aff
Oscar E. Firbank, Janne Paulsen Breimo, Johans Tveit Sandvin

Notice bibliographique

RevueBIBSYS Brage (BIBSYS (Norway)) · 2016
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueEvaluation and Performance Assessment
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAgency (philosophy)Scope (computer science)Public relationsWelfareSet (abstract data type)Child protectionPolitical scienceSociologyBusinessKnowledge managementLawComputer scienceSocial science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This paper addresses the enabling and constraining factors that underpin inter-organizational collaboration in Child Welfare and Protection services in Norway and Quebec. Characterized by different regulatory systems, but with a common drive to hierarchically promote cross-agency collaboration, these jurisdictions provide the basis for two instructive and contrasting case studies on the subject. The paper builds on meta-ethnography as a means to synthesize and translate results from separate qualitative research undertakings carried out in each place. It argues that although a core set of properties may be identified as necessary for collaboratives to operate in a successful, sustainable manner; greater attention should be paid to how these properties interact with one another on the ground, given schemes’ particular scope and scale of objectives. Moreover, regulatory provisions aimed at stimulating or mandating cross-agency networks may align with collaborative capacity in various ways, occasionally in a mutually reinforcing, but sometimes antagonistic manner. The conclusions drawn have implications for both research and policy.

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)0,022
score de la tête « metaresearch » (Gemma)0,022
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 enseignants0,100
Score d'incertitude au seuil0,728

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0220,022
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,004
Études des sciences et des technologies0,0150,013
Communication savante0,0090,004
Science ouverte0,0020,008
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,084
Tête enseignante GPT0,419
Écart entre enseignants0,335 · 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

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBIBSYS Brage (BIBSYS (Norway))Même sujetEvaluation and Performance AssessmentTravaux en français237 207