Which Clients are Deserving of Help? A Theoretical Model and Experimental Test
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle