A rocky road to evidence: Evaluating literacy programmes using a trust-based approach in a context of fragility
Notice bibliographique
Résumé
Background: Evaluation in contexts of fragility and violence has recently received attention because of the increased complexity of conducting such evaluations. The use of digital tools has been advocated for conducting these evaluations, but with limited results. Objectives: This article presents an in-depth analysis of combining digital tools with in-person activities to build trust and develop the type of human interaction required to improve the quality of evaluation design and implementation in the context of insecurity, fragility and violence. Method: Data collection was conducted both offline and online. Enumerators collected data through face-to-face individual interviews, and statistical analysis was performed using STATA software version 17. Results: The objectives of data collection were achieved at 99%, notwithstanding the challenging security environment. Several factors contributed to this achievement, notably our methodological framework based on trust building, digitisation and iterative programming. Despite this commendable performance, the overall efficiency was found to be 63%, indicating a potential for a 37% reduction in data collection time. Conclusion: The proposed trust-based approach has been successfully tested to enhance the quality of baseline studies and establish conditions for the success of other phases of evaluations. Contribution: This case study serves as an evidence to what we call a trust-based approach to the use of digital tools in evaluation processes. We contend that the effectiveness of digital tools in enhancing the quality of evaluation design, especially in the context of fragility and violence, hinges on their integration with face-to-face activities, trust-based human interaction and careful timing.
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 | 0,057 | 0,011 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; 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 ».