Building access to linked data for program evaluation: lessons and opportunities from the evaluation of a pan-Canadian skills training initiative
Notice bibliographique
Résumé
In recent years, Canada’s statistical agency (Statistics Canada) has developed sophisticated linkage infrastructure through their Social Data Linkage Environment (SDLE), linking internal data sets held by Statistics Canada and external data held by researchers. While the SDLE presents an opportunity for better measurement of the effectiveness of policies and programs, to date it has not been used for this purpose outside of government, instead largely supporting academic research projects. This session presents a novel approach to program evaluation in the Canadian context, using the SDLE Statistics Canada administrative data alongside independently collected program data from multiple service providers to evaluate the outcomes and effectiveness of a portfolio of skills training programs. Our approach aims to both rigorously evaluate the long-term outcomes of participants in this portfolio of public skills training programs, and develop a replicable proof-of-concept for using linked data infrastructure in Canada to support program evaluations. Through this initiative, we identify the key design features needed to support this use case for linked data, including study design parameters, necessary datasets and linkage processes, and privacy and data governance policies. Finally, we identify opportunities for future replication of this approach in Canada, including strategies for expedited linkage and analysis of evaluation results that maintain privacy requirements. We find that using the SDLE infrastructure for program evaluation is both feasible and desirable, however barriers exist to replicating this approach, including sectoral capacity for collecting linkable data, and transposing linkage and confidentiality rules from an academic research to a program evaluation context.
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 | 0,043 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,008 |
| Science ouverte | 0,005 | 0,001 |
| 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 ».