Building Better Policies : The Nuts \n and Bolts of Monitoring and Evaluation Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Governments around the world face \n ongoing pressures from citizens to provide more and better \n services, and to do this under a tight fiscal environment. \n This provides the context for government efforts to ensure \n their policies and programs are as effective, and as \n efficient, as possible. An emphasis on government \n performance has led a number of governments to create formal \n systems for monitoring and evaluating (M&E) their \n performance on a regular, planned, and systematic basis with \n the objective of improving it. The focus of this book is on \n these government M&E systems: what they comprise, how \n they are built and managed, and how they can be used to \n improve government performance. M&E systems focus on \n measuring the results produced by government its outputs, \n outcomes, and impacts. The M&E system may exist at the \n level of an individual agency, entire sector, or the \n government as a whole. M&E can provide unique \n information about the performance of government policies, \n programs, and projects at the national, sector, and \n sub-national levels. It can identify what works, what does \n not, and the reasons why. M&E also provides information \n about the performance of a government, of individual \n ministries and agencies, and of managers and their staff. \n This book endeavors to expand the frontiers of issues that \n have been researched and analyzed. However, there are still \n a number of issues that are still not understood well \n enough. This book presents case studies on several countries \n that have succeeded in achieving high levels of utilization \n of M&E information, including Australia, Canada, Chile, \n and Mexico.
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.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle