MétaCan
Menu
Retour à la cohorte
Enregistrement W4383770745 · doi:10.56687/9781447342854-017

Understanding complexity

2011· book-chapter· en· W4383770745 sur OpenAlexaboutno aff

Notice bibliographique

RevuePolicy Press eBooks · 2011
Typebook-chapter
Langueen
DomaineDecision Sciences
ThématiqueComplex Systems and Decision Making
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer science

Résumé

récupéré en direct d'OpenAlex

The benefits system has grown progressively more complex. Some of that complexity is intrinsic: the design of benefits can be complex in its conception, its operation and its structure. Some of it comes from the interaction of different benefits, the complexity of the rules that are applied, and the practical difficulties of managing a system for millions of people. Part, however, reflects the complexity of people’s circumstances and needs. Despite periodic attempts to simplify the system, it is difficult to do this in a way that will not imply considerable problems for benefits and for the people who receive them. Some of the complexity is avoidable, but much is not. Why is the benefits system so complicated? Part of the answer is historical: the benefits system has simply grown this way. Part is practical. The problem with trying to change it is that, without a great deal more money, changes can only be made by taking money from some people and giving it to others. That would mean that some very poor people are made worse off. The idea of simplifying benefits returns periodically to the policy agenda. It was on the agenda in the 1970s, with the Conservative Tax Credit scheme1 and the reform of ‘social assistance’, and in the 1980s with the Fowler Reviews, and it has been central to the proposals for Universal Credit. But an understanding of complexity is essential before we can work out where some simplification might be possible. In a report published in 2005, the National Audit Office identified five types of complexity: problems of changing design, patchwork changes, horizontal links between benefits, vertical interfaces (between higher and lower levels of the administration) and ‘delivery interactions’, between the service and the user.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,080

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0030,013
Communication savante0,0090,015
Science ouverte0,0010,006
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0240,003

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.

Tête enseignante Opus0,827
Tête enseignante GPT0,455
Écart entre enseignants0,372 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePolicy Press eBooksMême sujetComplex Systems and Decision MakingTravaux en français237 207