Investing in school systems: conceptualising returns on investment across the health, education and social protection sectors
Notice bibliographique
Résumé
Public policies often aim to improve welfare, economic injustice and reduce inequality, particularly in the social protection, labour, health and education sectors. While these policies frequently operate in silos, the education sphere can operate as a cross-sectoral link. Schools represent a unique locus, with globally hundreds of millions of children attending class every day. A high-profile policy example is school feeding, with over 400 million students worldwide receiving meals in schools. The benefits of harmonising interventions across sectors with a common delivery platform include economies of scale. Moreover, economic evaluation frameworks commonly used to assess policies rarely account for impact across sectors besides their primary intent. For example, school meals are often evaluated for their impact on nutrition, but they also have educational benefits, including increasing attendance and learning and incorporating smallholder farmers into corporate value chains. To address these gaps, we propose the introduction of a comprehensive value-for-money framework for investments toward school systems that acknowledges the return to a common delivery platform-schools-and the multisectoral returns (eg, education, health and nutrition, labour, social protection) emerging from the rollout of school-based programmes. Directly building on benefit-cost analysis methods, this framework could help identify interventions that yield the highest gains in human capital per budget expenditure, with direct implications for finance ministries. Given the detrimental impact of COVID-19 on schoolchildren and human capital, it is urgent to build back stronger and more sustainable welfare systems.
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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».