L'usage des statistiques : de l'aide à la décision à l'évaluation des politiques publiques
Bibliographic record
Abstract
Résumé Évaluation, performance, gestion par les résultats ont donné un coup de fouet à la construction de données chiffrées pour suivre la mise en œuvre de l’action publique (dispositifs, programmes, politiques publiques). Comme dans la LOLF, toute action publique se doit désormais de préciser ses objectifs, et les assortir d’indicateurs, destinés à en permettre le suivi et l’évaluation. Par ailleurs la démonstration de la preuve de l’efficacité ou de la pertinence d’une action est d’autant plus forte qu’elle s’appuie sur des arguments chiffrés. Que les données statistiques soient appelées à fournir des arguments en matière d’action publique est une chose ancienne, ce qui est plus nouveau, c’est l’extension de leur usage à des domaines jusque-là hors champ de la statistique publique, à tous les instants de l’activité des gestionnaires. La diffusion des préoccupations gestionnaires donne au chiffre une place extensive, qui interroge celle de la statistique. Cet article se propose de revenir sur les fondamentaux de la statistique et les liens qu’elle entretient avec l’évaluation de l’action publique, pour les envisager dans le nouveau contexte politico-administratif (décentralisation, relance de l’évaluation par les lois constitutionnelles).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.171 | 0.287 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.014 | 0.014 |
| Science and technology studies | 0.005 | 0.059 |
| Scholarly communication | 0.034 | 0.031 |
| Open science | 0.003 | 0.009 |
| Research integrity | 0.006 | 0.009 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".