MétaCan
Menu
Retour à la cohorte
Enregistrement W3197033532 · doi:10.1080/25741292.2021.1935025

The path is made by walking: knowledge, policy design and impact in Indigenous policymaking

2021· article· en· W3197033532 sur OpenAlexaboutno aff
Craig Ritchie

Notice bibliographique

RevuePolicy Design and Practice · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueIndigenous Health, Education, and Rights
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésIndigenousTechnocracyMetisState (computer science)Public administrationPolitical scienceSociologyPolitical economyPublic relationsLawPolitics

Résumé

récupéré en direct d'OpenAlex

2020 threw into stark relief the fact that the impact of policy interventions in Indigenous affairs over the last decade and a half has been scandalously minimal. Explanations for this focus on technocratic themes such as implementation, leadership failure or lack of resources. The problem, however, is not a technical one, there is something wrong with the policy design related to Indigenous Australians. Policy design involves questions of not just what we know, but how we know, and how this knowledge is mobilized in and through policymaking. Policy impact Indigenous contexts is low precisely because contemporary policymaking excludes the knowledge and insights of Indigenous people. This makes important knowledge inaccessible to state and non-state actors, and fatally weakens policymaking. This paper appropriates the concept of metis to interrogate the root of policy failure in processes of epistemological exclusion and suppression that underpin modern statecraft is of critical importance to improving the impact of the Aboriginal and Torres Strait Islander policy enterprise. The chief contention is that improved impact in the Aboriginal and Torres Strait Islander policy enterprise hinges on centering Aboriginal metis at the epistemic, discursive, and conceptual core of the enterprise.

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)0,101
score de la tête « metaresearch » (Gemma)0,073
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,101
Score d'incertitude au seuil0,533

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1010,073
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,003
Études des sciences et des technologies0,0160,082
Communication savante0,0280,023
Science ouverte0,0030,015
Intégrité de la recherche0,0080,007
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,042
Tête enseignante GPT0,408
Écart entre enseignants0,366 · 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'étudeQualitatif
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

Citations9
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePolicy Design and PracticeMême sujetIndigenous Health, Education, and RightsTravaux en français237 207