Which Clients are Deserving of Help? A Theoretical Model and Experimental Test
Notice bibliographique
Résumé
Abstract Street-level bureaucrats have to cope with high workloads, role conflicts, and limited resources. An important way in which they cope with this is by prioritizing some clients, while disregarding others. When deciding on whom to prioritize, street-level bureaucrats often assess whether a client is deserving of help. However, to date the notion of the deserving client is in a black box as it is largely unclear which client attributes activate the prevailing social/professional category of deservingness. This article, therefore, proposes a theoretical model of three deservingness cues that street-level bureaucrats employ to determine whom to help: earned deservingness (i.e., the client is deserving because (s)he earned it: “the hardworking client”), needed deservingness (i.e., the client is deserving because (s)he needs help: “the needy client”), and resource deservingness (i.e., the client is deserving as (s)he is probably successful according to bureaucratic success criteria: “the successful client”). We test the effectiveness of these deservingness cues via an experimental conjoint design among a nationwide sample of US teachers. Our results suggest that needed deservingness is the most effective cue in determining which students to help, as teachers especially intend to prioritize students with low academic performance and members of minority groups. Earned deservingness was also an effective cue, but to a lesser extent. Resource deservingness, in contrast, did not affect teachers’ decisions whom to help. The theoretical and practical implications of our findings for discretionary biases in citizen-state interactions are discussed.
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 | 0,020 | 0,074 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,002 |
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 ».