Results-Based Monitoring and Evaluation and Knowledge Management Approaches in Government to Government Partnerships: The Case of the Shandong and WCG Partnership
Notice bibliographique
Résumé
Government to Government (G2G) partnerships between countries in the BRICS partnerships have significantly increased and with it, the need for more effective evidence-based decision-making. In this process, improved M&E and KM has become prominent. In this context, the study investigated the need for Monitoring & Evaluation (M&E), as well as knowledge management (KM) systems in partnerships. This study focused on the development management aspects of such partnerships and the article is based on research information obtained through the PhD study by Dr Ivy Chen as well as updated research perspectives. The article concluded that a need existed to establish more advanced M&E and KM systems in G2G partnerships. The Readiness Assessment conducted regarding M&E showed that a need existed for Results-Based M&E that can be used to ensure evidence-based decision-making in the G2G partnerships. The Readiness Assessment showed that a definite need existed for Communities of Practice (COPs) beyond the formal meetings and that professionals and practitioners on both sides needed to exchange explicit and implicit knowledge. A need also existed for improved ICTs based-systems including dedicated portals where policy documentation, programme information and data, as well as M&E results, can be loaded and shared by Governments.
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 | 0,059 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,012 | 0,012 |
| Communication savante | 0,014 | 0,011 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».