Incentivization in centrally managed systems: Inconsistencies resolution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 | 0,001 |
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 découle