How can traditional statistical relationships be redefined through citizen to government partnerships?
Notice bibliographique
Résumé
The post-2015 Development Agenda proposes to produce much more statistics and data than currently available in the official arena through advanced methods and innovative partnerships. By associating governments and data producers of all kinds it aims to monitor the Sustainable Development Goals (SDGs). The objective of this paper is to explore and analyse one of the 2030 Agenda greatest challenges, i.e. to redefine traditional statistical relationships and processes to associate citizenry as an active stakeholder in the monitoring of SDGs. It proposes innovative ideas linking citizen-to-government and government-to-citizen data partnerships (C2G dp and G2C dp) to the SDG requirements. The paper portrays and analyses the benefits for parties of alternative projects from Uganda, Canada and Uruguay. The C2G dp Stats Up program is featured as an additional case study, describing its achievements and shortcomings. This contribution constitutes a valuable co-creation case to fill the gap of lack of partnering skills. In sum, the paper presents the added value of a constructive socio-technical approach to SDG 17. Final conclusions propose a roadmap to support the work of National Statistical Offices to address complex challenges to walk the talk of the 2030 Agenda harnessing the crucial role of civil society in their plans.
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 | 0,197 | 0,275 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,010 | 0,038 |
| Communication savante | 0,038 | 0,054 |
| Science ouverte | 0,006 | 0,037 |
| Intégrité de la recherche | 0,010 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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; 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 ».