Supporting evidence-based decision-making: Capacity Building through Research
Notice bibliographique
Résumé
Abstract Lack of data inhibits informed decision-making and is a critical challenge in developing countries, many of which are under-resourced in financial, technical and institutional capacity to collect and analyse the required data. This limits the countries’ ability to achieve development goals and keeps them dependent on the provision of external resources. Development initiatives often treat capacity building and research as two separate tracks of development. While efforts have been made in the health sector to combine these through project-based learning, this approach is relatively unexplored in the water sector which by its inter-sectoral nature stands to benefit significantly from a more collaborative and solution-oriented development strategy. Capacity Building through Research (CBtR) facilitates data collection and analysis by local researchers, mentored by international experts, strengthening local capacity to produce credible evidence able to inform sustainability-related decision-making. Five case studies piloting CBtR are discussed here and evaluated through criteria of the Dutch Strategy Evaluation Protocol framework. CBtR is shown to be a long-term strategy that requires the strengthening of cross-disciplinary networks to enhance the capacity of water management institutions, which likely contributes to more efficient evidence collection and analysis suitable for decision-makers, leading to greater national resilience and reduced need for external support.
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 | 0,686 | 0,646 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,017 | 0,011 |
| Études des sciences et des technologies | 0,007 | 0,022 |
| Communication savante | 0,035 | 0,030 |
| Science ouverte | 0,011 | 0,038 |
| Intégrité de la recherche | 0,012 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 ».