A collaboratively derived international research agenda on legislative science advice
Notice bibliographique
Résumé
Abstract The quantity and complexity of scientific and technological information provided to policymakers have been on the rise for decades. Yet little is known about how to provide science advice to legislatures, even though scientific information is widely acknowledged as valuable for decision-making in many policy domains. We asked academics, science advisers, and policymakers from both developed and developing nations to identify, review and refine, and then rank the most pressing research questions on legislative science advice (LSA). Experts generally agree that the state of evidence is poor, especially regarding developing and lower-middle income countries. Many fundamental questions about science advice processes remain unanswered and are of great interest: whether legislative use of scientific evidence improves the implementation and outcome of social programs and policies; under what conditions legislators and staff seek out scientific information or use what is presented to them; and how different communication channels affect informational trust and use. Environment and health are the highest priority policy domains for the field. The context-specific nature of many of the submitted questions—whether to policy issues, institutions, or locations—suggests one of the significant challenges is aggregating generalizable evidence on LSA practices. Understanding these research needs represents a first step in advancing a global agenda for LSA research.
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 | 0,288 | 0,314 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,011 | 0,015 |
| Études des sciences et des technologies | 0,016 | 0,040 |
| Communication savante | 0,041 | 0,043 |
| Science ouverte | 0,006 | 0,026 |
| Intégrité de la recherche | 0,034 | 0,031 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».