Dealing with the Dark Side of Policy-Making: Managing Behavioural Risk and Volatility in Policy Designs
Notice bibliographique
Résumé
Policy studies to date have focused almost exclusively on the “good” side of policy formulation, that is, dealing with concerns around ensuring that knowledge is marshalled towards developing the best feasible policy under the assumption of well-intentioned governments and accommodating policy targets. This work has not carefully examined nor allowed for the possibility that government intentions may not be solely oriented towards the creation of public value or that policy targets may indulge in various forms of “misconduct” – from fraud to gamesmanship – which undermine government intentions. Although self-interested, corrupt and other similar kinds of policy-making have been the subject of many studies in administrative and regulatory law, this work has generally been ignored or paid only lip service by policy studies. This is changing, however, as the question of the behaviour of policy targets in particular has increasingly become a source of interest among policy scholars. This article reviews these developments and behaviours in order to aid the process of improving policy designs to deal with this “dark side” of policy-making.
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 | 0,217 | 0,377 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,029 |
| Communication savante | 0,025 | 0,026 |
| Science ouverte | 0,004 | 0,016 |
| Intégrité de la recherche | 0,009 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».