MétaCan
Menu
Retour à la cohorte
Enregistrement W4393956289 · doi:10.46692/9781447369165.006

Behavioural insights teams in practice: nudge missions and methods on trial

2023· other· en· W4393956289 sur OpenAlexaboutno aff
Sarah Ball, Brian Head

Notice bibliographique

Revuenon disponible
Typeother
Langueen
DomaineDecision Sciences
ThématiqueComplex Systems and Decision Making
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPsychologyNudge theoryApplied psychologySocial psychology

Résumé

récupéré en direct d'OpenAlex

Introduction: the rise of behavioural insights in government Understanding how incentives and constraints influence the behaviour of citizens and social groups has always been fundamental to the theory and practice of good governance and regulatory systems. The distinctive contribution of behavioural sciences in recent decades (based especially in social psychology, criminology, marketing and economics) has been to sharpen our appreciation that habitual and emotive factors shape the actual choices of citizens (Kahneman, 2011; Halpern, 2015; Thaler, 2016). Citizens’ responses to the rules and options devised by lawmakers are not only diverse, but also often against the interests of the citizens themselves. Thus, empirical research to improve policy makers’ understanding of citizen behaviour was championed as an evidence-based pathway towards improving policies and service systems. These behavioural studies gradually became more influential as the cost-effectiveness of mainstream programmes came under heavy criticism. In government, the application of this particular framework of behavioural science is often undertaken by specialised teams. These teams have rapidly emerged all over the world – in Europe, the US, Canada, Japan, Singapore, Saudi Arabia, Peru, Australia, New Zealand and many more countries (OECD, 2017). There is no dominant model across these diverse contexts. Behavioural teams have been working in many policy domains and with a variety of partner organisations across government, industry and civil society. A recent World Bank report has highlighted the different ways in which ten countries have implemented behavioural policies. These behavioural initiatives included both centralised and decentralised organisational models, and were managed through either formal arrangements or more networked approaches. Some initiatives focused on the early stages in policy design, while others considered implementation issues and programme evaluation (World Bank, 2018). This variety illustrates both the broad intellectual foundations of the behavioural sciences and the wide spectrum of possible applications across issues and problems. Among the variety of initiatives inspired by the behavioural sciences in government, a notable model that attracted global attention was the UK Behavioural Insights Team (BIT UK), initially developed in the UK Cabinet Office. This team, led by David Halpern, has become a distinctive and successful model; indeed, in 2014, it evolved into a not-for-profit consulting company (Halpern, 2015; John, 2018).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,014
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,069
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,297
Tête enseignante GPT0,544
Écart entre enseignants0,246 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetComplex Systems and Decision MakingTravaux en français237 207