MétaCan
Menu
Retour à la cohorte
Enregistrement W3157504288 · doi:10.1080/25741292.2021.1880063

Policy labs, partners and policy effectiveness in Canada

2021· article· en· W3157504288 sur OpenAlexaffabout
Kathy L. Brock

Notice bibliographique

RevuePolicy Design and Practice · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInnovative Approaches in Technology and Social Development
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésLegitimacyGovernment (linguistics)Private sectorPublic sectorPublic policyNonprofit sectorPublic administrationBusinessIndependence (probability theory)Public relationsEconomicsPublic economicsPolitical scienceEconomic growthPoliticsLaw

Résumé

récupéré en direct d'OpenAlex

Upon election in 2015, the Justin Trudeau Liberal government announced its intention to transform government operations by bringing nonprofit and private sector partners into the center of public sector decision making through new structures such as Policy Hubs and Innovation labs. These collaborative arrangements were intended to yield the benefits of Michael Barber’s theory of deliverology by breaking through the public sector aversion to risk and change and by creating new spaces for devising effective solutions to the increasingly complex social and economic challenges facing government. A preliminary examination of the use of policy hubs and innovation labs in Canada between 2015 and 2020 indicates that the results have been mixed for the nonprofit sector partners. Collaborative relations have offered nonprofit sector partners new opportunities and access to influence policy decisions. However, this influence also poses risks to their independence, legitimacy and effectiveness as policy advocates. Both public and nonprofit sector partners in PILs should heed certain cautions in choosing future partnerships or they may find their ability to achieve meaningful policy change is limited.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,028
score de la tête « metaresearch » (Gemma)0,068
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,290
Score d'incertitude au seuil0,824

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0280,068
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,011
Études des sciences et des technologies0,0340,012
Communication savante0,0260,007
Science ouverte0,0030,014
Intégrité de la recherche0,0040,006
Charge utile insuffisante (le modèle a refusé de juger)0,0190,001

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.

Tête enseignante Opus0,044
Tête enseignante GPT0,320
Écart entre enseignants0,277 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePolicy Design and PracticeMême sujetInnovative Approaches in Technology and Social DevelopmentTravaux en français237 207