Notice bibliographique
Résumé
Background: Although the roadblocks to development achievement in Africa emerge noticeably from resource scarcity, lack of security and good governance, or poor economic approaches, they also surface from ineffective development management practices. The monitoring and evaluation (ME) systems effectiveness assessment by the World Bank in 2007 revealed little effectiveness, mainly on cases studied in Africa.Objective: This research investigates the framework for monitoring and evaluation system effectiveness as a development management tool and shapes its measurements. It creates a framework that will help understand better the success factors of an effective ME System and how they contribute to improved development management.Methods: A trifold approach was used, which comprises three iterations — Literature review, Case Studies, and Survey. The first revisited the most relevant literature on development management and performance monitoring systems, while the second used a qualitative study of three cases in the West Africa region. The third is a survey of a sample of practitioners and managers in West Africa, where data was analysed using correlations and regressions.Results: There are significant linkages between ‘ME-System Quality’, ‘ME-Information Quality’, and ‘ME-Service Quality’. The results highlighted that the ‘Results-Based Management Practice’ of organisations, the effective ‘Knowledge and Information Management Culture’, including learning, and the ‘Evidence-Based Decision-Making Practice’ are directly influenced by effective ME System.Conclusions: Effective ME System contributes greatly to expand ‘Improved Policy and Program Design’, ‘Improved Operational Decisions’, ‘Improved Tactical and Strategic Decisions’, and ‘Improved Capability to Advance Development Objectives’.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,052 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».