Comment l’attention des pouvoirs publics affecte-t-elle les performances de l’administration en ligne ? Le rôle de l’allocation des ressources et de la collaboration public-privé
Notice bibliographique
Résumé
Bien que les gouvernements investissent continuellement dans la construction de l’administration en ligne (ou gouvernement électronique, e-gouvernement), les performances varient en la matière. Cette étude vise à examiner la mesure dans laquelle l’attention des pouvoirs publics influence les performances de l’administration en ligne par le biais de l’effet médiateur de l’allocation des ressources et de l’effet modérateur de la collaboration public-privé. L’analyse de données de panel provenant de 333 administrations préfectorales en Chine confirme que l’attention des pouvoirs publics peut accroître les performances de l’administration en ligne, mais que l’ampleur de l’effet diminue en raison du rôle médiateur des ressources financières et humaines. En outre, une plus grande collaboration entre les secteurs public et privé affaiblit l’effet positif des ressources gouvernementales sur les performances de l’administration en ligne et de l’attention des pouvoirs publics sur les performances de l’administration en ligne. Remarques à l’intention des praticiens Cet article peut aider les praticiens à reconnaître l’importance de l’attention des pouvoirs publics dans l’orientation de la mise en œuvre de l’administration en ligne en vérifiant le lien entre l’attention des pouvoirs publics, l’allocation des ressources et les performances de l’administration en ligne. En outre, cette étude fournit également quelques suggestions aux praticiens qui cherchent à collaborer avec des organisations privées en confirmant le rôle négatif de la collaboration public-privé entre les ressources gouvernementales et les performances de l’administration en ligne.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».