Behaviorally informed interventions can increase take-up of public employment services, but conversion remains challenging: insights from an RCT in British Columbia, Canada
Notice bibliographique
Résumé
Abstract Low take-up of government services continues to challenge public investments in social services. Behaviorally informed interventions, so-called nudges, can overcome barriers that keep eligible individuals from accessing services. We report results from a pre-registered randomized controlled trial (RCT) to test email-based interventions to increase the take-up of publicly funded employment services in British Columbia, Canada. Our RCT design distinguishes between getting people ‘to-the-door’ (awareness and interest) and ‘through-the-door’ (enrollment). We find that emails with concise information that route individuals directly to online enrollment are most effective. The best-performing interventions more than doubled enrollment within 14 days, relative to a control group that received no communication. Using machine learning identify subgroups within the population who benefit most from our interventions. Yet despite these positive effects on take-up, we find that converting expressions of interest into enrollments remains a challenge. To increase take-up, policymakers must identify the nature of the challenge: getting people to-the-door or through-the-door. We also contribute to current debates about the quality of public service delivery.
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 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 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 ».