MétaCan
Menu
Retour à la cohorte
Enregistrement W2790752207 · doi:10.1177/1035719x1701700204

Interactive Logic Models: Using Design and Technology to Explore the Effects of Dynamic Situations on Program Logic

2017· article· en· W2790752207 sur OpenAlexaffabout
M. Elizabeth Snow, Nancy E. Snow

Notice bibliographique

RevueEvaluation Journal of Australasia · 2017
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueEvaluation and Performance Assessment
Établissements canadiensOntario College of Art and DesignCentre for Advancing Health Outcomes
Organismes subventionnairesnon disponible
Mots-clésLogic modelComputer scienceInteractivitySoftware engineeringSoftwareProcess (computing)Logic programmingHuman–computer interactionProgramming languageWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

Logic models are commonly used by evaluators to illustrate relationships among a program's inputs, activities, outputs, and outcomes. They are useful in helping intended users develop programs, communicate a program's theory of change, and design evaluations. However, as static documents, logic models can be challenging to build, work with, and present to stakeholders, especially for large and complex programs. Challenged by this inadequacy of static logic models, a program evaluator turned to a graphic designer and a software developer for help. Together, this interdisciplinary group developed web-based software (Dylomo) that allows evaluators to create logic models that better communicate the logic within the model. In this paper, we describe the process by which this interdisciplinary group created this new technology—including a user-testing experience at the Canadian Evaluation Society Conference in Canada in June 2016—to build and present logic models that use interactivity and allow program evaluators to more easily demonstrate the logic within a complex program and to visually explore the potential effects of changes within the program's landscape. This software is freely available on the web, so readers can apply it to their own evaluation practice.

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)0,007
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,725
Score d'incertitude au seuil0,749

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
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 Opus0,443
Tête enseignante GPT0,579
Écart entre enseignants0,136 · 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'étudeSimulation ou modélisation
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

Citations3
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEvaluation Journal of AustralasiaMême sujetEvaluation and Performance AssessmentTravaux en français237 207