Pourquoi les innovations dans le secteur public surviventelles ? Étude exploratoire sur l’influence du feedback, de l’imputabilité et de l’apprentissage
Notice bibliographique
Résumé
La question de savoir si les innovations dans le secteur public durent, et ce qui détermine leurs chances de survie, reste une lacune dans la littérature relative à la gestion publique. La présente étude exploratoire se penche sur les gagnants et les lauréats des prix de l’innovation dans le secteur public en Belgique, en France, aux Pays-Bas, en Roumanie, en Slovaquie et au Royaume-Uni. Grâce à une étude couvrant 220 cas, elle examine si les boucles de feedback, les mécanismes d’imputabilité et les processus d’apprentissage (FIA) (Feedback, Accountability, Learning [FAL]) peuvent expliquer la survie des innovations dans le secteur public. La conclusion est qu’une culture de feedback, d’imputabilité et d’apprentissage semble avoir un lien positif avec la survie des innovations. Remarques à l’intention des praticiens Innover est une chose, faire durer les innovations en est une autre. Une culture combinant informations nées du feedback, processus d’apprentissage visant à interpréter ces informations, et culture d’imputabilité semble améliorer les chances qu’ont les innovations de résister à l’épreuve du temps. Les instruments permettant de mesurer la performance de l’innovation en soi ne semblent pas affecter les chances de survie de l’innovation.
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 | 0,011 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».