Policy Learning and Policy Failure: Definitions, Dimensions and Intersections
Notice bibliographique
Résumé
Introduction The social security system in the UK has long been regarded as overly bureaucratic and too complex for either bureaucrats or claimants to entirely understand. In 2010, the Conservative-led coalition government unveiled Universal Credit (UC) as the answer to this historic policy problem. An ambitious plan to merge six in-and outof-work benefits, UC aims to ensure not only a simpler system but also that it is more beneficial to be in work than on the dole. Entailing a huge administrative challenge, the implementation of UC has been dogged by problems from the outset; with costs spiralling and the timetable slipping, the policy was effectively ‘reset’ in 2013 and political pressure to abandon it mounted in the months that followed. Yet, 2013 proved to be a turning point. Looking into the precipice of the failure of a flagship reform, policy makers engaged in policy learning. Along with analysing the technical problems and capacity deficits they faced, civil servants learned from previous experiences of implementing complex policies and from similar problems in social security reform in Australia. Appointing senior troubleshooters responsible for getting the programme on track and engaging a recovery team – Major Projects Authority (MPA) – the UC appeared to have been turned around (see Timmins, 2016 for a full account). But such optimism was premature. Since its staggered roll-out, the Resolution Foundation think tank estimated UC will result in 3.2 million working families being worse off by an average of £48 a week. As many as 600,000 claimants are no longer entitled to any assistance at all (Finch and Gardiner, 2018). In April 2018, the Trussell Trust charity reported an average 52 per cent rise in demand for its food banks in areas where UC had been rolled out (Trussell Trust, 2018). Though reputed by government at the time, in February 2019 the sixth Secretary of State for Work and Pensions presiding over UC – Rt Hon Amber Rudd – conceded that its introduction had contributed to increased food insecurity (HC Deb, 11 February 2019, c593).
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 | 0,046 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,011 | 0,020 |
| Études des sciences et des technologies | 0,015 | 0,165 |
| Communication savante | 0,043 | 0,048 |
| Science ouverte | 0,006 | 0,031 |
| Intégrité de la recherche | 0,016 | 0,023 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».