A theory of policy advisory system quality: Hirschman 2.0 or what makes for good policy advice?
Notice bibliographique
Résumé
Not everyone’s ideas count equally in terms of influencing and informing policy design and instrument choices. As the literature on policy advice has shown, such advice arises from many different actors interacting with each other often over relatively long timeframes. Actors within these ‘policy advisory systems’ operate within the confines of an existing set of political and economic institutions and governing norms, and each actor brings with them different interests, ideas and resources. Studying who these actors are, how they act and how their actions affect the overall nature of the advice system and its contents are critical aspects of current public policy research. But not all these elements have been equally well conceptualised or studied, especially those concerning their impact on the quality of policy advice emerging from a system. In this article, the general nature of policy advisory systems is set out, their major components described and a model of individual and organisational behaviour within them outlined inspired by a modification of the ‘exit, voice, loyalty’ rubric of Albert Hirschman. Our findings show how aggregated individual organisational behaviour along the lines suggested by Hirschman can over time result in very different kinds of advice being provided by an advisory system, with predictable consequences for its nature and quality.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,028 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,006 | 0,036 |
| Communication savante | 0,014 | 0,016 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,007 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».