Surfacing Human Service Organizations’ Data Use Practices: Toward a Critical Performance Measurement Framework
Notice bibliographique
Résumé
Community-level data systems, often called collective impact, increasingly define the landscape of human service data creation. Collective impact strategies develop shared performance measurement metrics across numerous human service organizations (HSOs) in a geographic region to move the needle on specific social problems. Such systems encourage funders to support the development of client tracking and data sharing infrastructure, meaning more HSOs have more information about any given client. However, while many HSOs are using more data than ever, questions remain: how is this data being read, understood, and utilized in HSOs? What differences can we discern in organizational operation and service provision? This study builds on three years of participant observation as program evaluators in youth-serving organizations (a subtype of HSOs) around the world. It also included a national study of youth-serving organizations with a strong focus on data use. Finally, it includes interviews with program staff in youth-serving organizations and focus group data with young people. Situating this data between the literature on performance measurement in HSOs and critical data studies, we surface emerging tensions in the ways youth-serving organizations are creating and using data, drawing to the fore salient questions for those invested in supporting the just use of data and technology for our communities.
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 | 0,337 | 0,302 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,046 | 0,022 |
| Études des sciences et des technologies | 0,019 | 0,122 |
| Communication savante | 0,051 | 0,060 |
| Science ouverte | 0,010 | 0,029 |
| Intégrité de la recherche | 0,008 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».