Performance Auditing to Assess the Implementation of the Sustainable Development Goals (SDGs) in Indonesia
Notice bibliographique
Résumé
Regular assessment of progress on the implementation of Sustainable Development Goals (SDGs) is crucial for achieving the goals by 2030 yet such assessments often require extensive resources and data. Here, we describe a method using performance auditing as a novel approach for assessing the implementation of SDGs that would be useful for countries with limited resources and data availability but might also provide an alternative to choosing particular goals and implementing them one at a time, for all countries. We argue that, instead of monitoring all 169 targets and 242 indicators, a country could assess the effectiveness of its governance arrangement as a way of ensuring that progress on implementing SDGs is on track, and hence improve the likelihood of achieving the SDGs by 2030. Indonesia is an archipelagic upper-middle-income country facing challenges in data availability and reliability, which limits accurate assessments of SDG implementation. We applied a standardized performance audit to assess the effectiveness of current governance arrangements for the implementation of SDGs. We used the Gephi 0.9.2 software (Open sourced program by The Gephi Concortium, Compiègne, France) to illustrate the regulatory coordination among public institutions. We found that Indonesia’s governance arrangements are not yet effective. They might be improved if Indonesia: (1) synchronize its SDG regulations; (2) redesigns its governance structure to be more fit for purpose; and (3) involves audit institutions in the SDG governance arrangements. These findings would likely apply to many other countries striving to implement the SDGs.
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 | 0,003 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».