Beyond Numbers: The Use and Usefulness of Data for Education in Emergencies
Notice bibliographique
Résumé
Recognizing the lack of knowledge about how to improve data systems for education in emergencies (EiE), we examine in this article how EiE professionals use data and what makes data "useful" to them. Drawing from 48 semistructured interviews from a purposive sample of professionals working in the EiE field across the humanitarian, development, and stabilization sectors, we explored the primary ways EiE professionals use data. Using inductive and emergent coding, we identified the key themes, which we then disaggregated by participants' sector and role in EiE operations. Our findings indicate that there is a common need across sectors for data that inform operations. However, participants working at a national or local level spoke the most about operational uses of data and the least about strategic uses, such as policymaking and advocating. Meanwhile, there was a notable emphasis among actors at the global level on strengthening data systems and their strategic uses. In this article, we also highlight the myriad nontechnical factors that shaped participants' perceptions of usefulness, including the politicization of data, users' expertise in analysis, and personal and institutional relationships. We argue that conversations about improving data for use in EiE must not focus exclusively on tools or techniques but also on people, institutions, and contexts.
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 | 0,128 | 0,322 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,022 |
| Communication savante | 0,015 | 0,026 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; 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 ».