Incentivization in centrally managed systems: Inconsistencies resolution
Notice bibliographique
Résumé
In centrally managed systems (CMSs), the need for incentivization systems at the local management level is crucial to optimize overall performance. Three alternative incentive systems have emerged within the centralized resource allocation (CRA) framework, aiming to measure the contribution of decision-making units (DMUs) in CMSs. However, we identify inconsistencies within these approaches and present them through illustrative examples. First, existing methods may struggle to effectively distinguish between CRA-efficient and CRA-inefficient DMUs, potentially resulting in inappropriate penalties or rewards for some the DMUs. Second, they may encounter difficulty in differentiating among CRA-efficient DMUs, especially when dealing with non-extreme DMUs or masked data within the dataset. Third, these methods may lack precision in measuring the impact of non-extreme CRA-efficient DMUs on overall performance. To address these limitations, we first highlight certain misconceptions related to individual efficiency within CMSs in the existing literature. Subsequently, we establish a fundamental characterization of individual efficient DMUs by outlining necessary and sufficient conditions for categorizing a DMU as CRA-efficient. For the second and third limitations, we adopt an endogenous perspective to quantify the influence of each CRA-efficient DMU. This involves calculating the maximum potential contribution of the DMU under evaluation in constructing the projection points of other DMUs. Furthermore, we propose a new method to handle masked data well in differentiating among CRA-efficient DMUs. We show the validity and applicability of our approaches using a real dataset.
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 | 0,038 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».