MétaCan
Menu
Retour à la cohorte
Enregistrement W6983581853

Monitoring and Evaluating Social Learning: A Framework for Cross-Initiative Application

2014· report· en· W6983581853 sur OpenAlexfundno aff

Notice bibliographique

RevueCGSPace A Repository of Agricultural Research Outputs (Consultative Group for International Agricultural Research) · 2014
Typereport
Langueen
DomaineAgricultural and Biological Sciences
ThématiquePlant Diversity and Evolution
Établissements canadiensnon disponible
Organismes subventionnairesAustralian Centre for International Agricultural ResearchCommonwealth Scientific and Industrial Research OrganisationInternational Fund for Agricultural DevelopmentInstituto de Investigação Científica TropicalUniversity of Cape TownConsortium of International Agricultural Research CentersRhodes UniversityIrish AidEuropean CommissionInternational Development Research CentreDanish International Development AgencyAustralian Government
Mots-clésVariety (cybernetics)Context (archaeology)Social learningAdaptation (eye)Key (lock)Theory of changeData collectionSocial change
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The Climate Change and Social Learning Initiative is a cross-organisation group working to build a body of evidence on how social learning methodologies and approaches contribute towards development targets. Together with a select number of participating initiatives from a variety of organisations, we are working towards establishing a common monitoring and evaluation (M&E) framework for new projects and programmes using a social learning-oriented approach. The aim is to more systematically collect evidence, analyse results and share learning on when and how research initiatives and beneficiaries may benefit from a social learning-oriented approach in the context of climate change adaptation and food security. This working paper presents an M&E framework consisting of a theory of change and 30 primary indicators across four key areas: iterative learning, capacity development, engagement, and challenging institutions. This framework will be accompanied by a forthcoming implementation guide for participating initiatives, as well as a strategy for peer assist, data collection and analysis by the CCSL Initiative.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,021
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,885
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,021
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0040,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,180
Tête enseignante GPT0,421
Écart entre enseignants0,241 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCGSPace A Repository of Agricultural Research Outputs (Consultative Group for International Agricultural Research)Même sujetPlant Diversity and EvolutionTravaux en français237 207