MétaCan
Menu
← Retour à la cohorte
Enregistrement W7117578767 · doi:10.5281/zenodo.18080708

The Settlement Constraint: Why Institutions Fail at Scale

2025· preprint· W7117578767 sur OpenAlexaboutno aff
Kyle Espeleta

Notice bibliographique

RevueZenodo (CERN European Organization for Nuclear Research) · 2025
Typepreprint
Langue
DomaineSocial Sciences
ThématiqueCanadian Policy and Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésObligationClearanceSettlement (finance)Closure (psychology)Constraint (computer-aided design)QueueProcess (computing)

Résumé

récupéré en direct d'OpenAlex

Description Why do institutions get busy but stuck? Courts process thousands of cases while backlogs grow. Permit offices issue approvals while wait times lengthen. Claims processors close files while disputes recur. This paper argues the pattern reflects a binding constraint: human checking capacity is finite. When decisions must be defensible and contestable, there’s a hard limit on how fast work can durably close—not just appear closed, but stay closed. The Obligation Closure Constraint (OCC) formalizes this limit. At any boundary requiring accountable sign-off under credible challenge, durable settlement cannot exceed checking capacity divided by checking effort per case. Exceed it, and the deficit must surface somewhere: backlogs, rework, displacement onto clients, or degraded standards. Three empirical tests validate the framework: · DC FOIA requests: DCR 0.88 led to backlog growth from 1 to 3,360 cases· Philadelphia regulatory appeals: DCR 0.92 led to backlog growth from 202 to 1,983 cases· Vancouver building permits: DCR 1.04 led to the backlog being cleared to zero Same methodology. Different outcomes. Predictions matched reality. Keywordsinstitutional capacity, durable settlement, queue dynamics, verification constraint, backlog analysis, accountability, falsification, OCC Related IdentifiersIsSupplementedBy: https://doi.org/10.5281/zenodo.18073749 (DC FOIA deployment)IsSupplementedBy: https://doi.org/10.5281/zenodo.18076572 (Philadelphia deployment)IsSupplementedBy: https://doi.org/10.5281/zenodo.18077993 (Vancouver deployment)LicenseCC BY 4.0

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,013
score de la tête « metaresearch » (Gemma)0,095
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,990
Score d'incertitude au seuil0,160

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,095
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0070,013
Communication savante0,0120,016
Science ouverte0,0030,008
Intégrité de la recherche0,0040,005
Charge utile insuffisante (le modèle a refusé de juger)0,0480,004

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 Opus0,054
Tête enseignante GPT0,295
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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZenodo (CERN European Organization for Nuclear Research)→Même sujetCanadian Policy and Governance→Travaux en français237 207→