Impact of a course in evidence-informed policy-making on the acquisition of methodological knowledge: Findings from before-and-after studies conducted on three consecutive cohorts of master students
Notice bibliographique
Résumé
The practice of evidence-informed policy-making (EIPM) consists of systematically searching, analyzing, synthesizing and disseminating the best available research evidence to inform decision-makers about policy problems, policy tools, implementation options, and/or policy evaluation results. Identifying the best available scientific evidence is not a simple task. The vast majority of research evidence contains risks of bias that hinder the reliability of their conclusions. In order to select the soundest available research evidence, policy analysts need to know how to critically appraise research evidence and identify different risks of bias. Formal theories on expertise acquisition in public bureaucracies suggest that these skills and knowledge should be acquired within academia rather than within governmental agencies. We thus created a 45-hour course in EIPM, POL-7061, that was first offered in 2012 to students enrolled in the Master’s Program in Public Affairs at Université Laval (Québec, Canada). The course mainly teaches techniques for searching and appraising different types of empirical studies. In 2013, we conducted a before-and-after study to assess the impact of the course on the methodological knowledge of the students. We repeated the exercise on two consecutive cohorts in 2014 and 2015. Mean percent of pre-post improvement on the knowledge test was 37% for the 2013 cohort, 51% for the 2014 cohort and 31% for the cohort of 2015. Teaching techniques in EIPM to Master’s students in public affairs is thus feasible and can have a positive impact on their basic methodological knowledge.
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 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 | 0,009 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».