Evaluating the Efficiencies of Academic Research Groups: A Problem of Shared Outputs
Notice bibliographique
Résumé
Data envelopment analysis (DEA) is a methodology for evaluating the relative efficiencies of a set of decision-making units (DMUs), based on their multiple inputs and outputs. The original model is based on the assumption that DMUs operate independently of one another. However, this assumption may not apply in some situations, as in the case we present in this paper, in which DMUs can work together to produce joint outputs. What makes it more interesting is the situation in which this characteristic of sharing outputs among some DMUs differs from one DMU to another; this makes it more challenging to determine independent efficiency scores that cater for this phenomenon. To address this, the current paper presents a methodology for measuring efficiency in situations in which DMUs share outputs with other units. We examine the case of a set of research groups in a Mexican university. For this study, the inputs used are professors belonging to various groups, and outputs are the published journal articles, some of which are produced completely within a group, whereas others arise from collaboration with professors from other research groups. Jointly published articles form a link connecting the groups.
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 | 0,112 | 0,276 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,004 |
| Bibliométrie | 0,013 | 0,018 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,013 | 0,012 |
| Science ouverte | 0,005 | 0,011 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».