1. Gender Bias in Policy Making
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Gender Bias in Policy Making"If you are basing your evidence on unrepresentative, biased samples then you cannot believe a word.In fact, it is worse than knowing nothing.Knowing things that are not so is worse than knowing nothing at all." 1 (Norman Glass)The ways "we know" and the "consequences of bias in evidence" 2 within these ways of knowing have been identified by researchers around the world as one of the main dangers to sound policy advice and good policy outcome.Experience with international impact assessments (IA) implementation suggests that not having any impact assessment might be better "than to have a bad one." 3 Sound public policy advice depends on many multifaceted, intertwined factors.Some argue that the current practice of policy advising in public administration is too reductive and fails to integrate a multiplicity of important perspectives and democratic obligations, i.e., a gender equality perspective.Others question its practicability and whether sound policy advice is even possible.This book is concerned with those tensions, and with the various ways of knowing and creating knowledge for and by public governance through impact assessment, with a specific focus on gender equality governance. ReseaRch Motivation, Questions and stRuctuReThe adoption of a gender lens in policy analysis represents an attempt to account for and overcome gender bias and to inform better, more effective policy and programme making, resulting in gender equity in accordance with human rights frameworks, including gender equality.Gender specific policy and programme analysis tools such as Gender-based Analysis (GBA) in the Canadian federal government and Gender Impact Assessment (GIA) in the European Commission in all their various forms have been introduced as analytical tools in the context
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 découle