Finding the Impact: Methods for Assessing the Contribution of Collective Impact to Systems and Population Change in a Multi‐Site Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract John Kania and Mark Kramer put forward “Collective Impact” in 2011 as a framework for organizing multi‐sector collaborative efforts to achieve change at scale. The collective impact theory of change posits that by establishing and implementing its five conditions, groups can achieve meaningful systems changes to create long‐term gains in social and environmental conditions. While significant scale uptake has occurred, questions have remained about the degree to which collective impact, as an approach, actually works to achieve change at scale. In 2017, ORS Impact and Spark Policy Institute embarked on an evaluation effort to understand the degree to which the collective impact approach contributed to population‐level change across many sites. We sought to answer this question with as much rigor as possible, without attempting to simplify the complexity of the context, the variability of implementation of collective impact, or the many interim changes needed to see the impact at scale. This chapter shares the essential methods our research team used. We do not seek to share the findings; instead, we hope that others can learn from and use these methods to continue to strengthen the sector's understanding of when, how, and why different collaborative efforts work or do not. In addition to describing the key methods, the authors will reflect on considerations, lessons learned, and recommendations to other evaluators who might seek to answer similar questions or use similar tools and methods.
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.
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 | 0,018 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 découle