L’évaluation de la performance des collèges publics québécois par la méthode du Data Envelopment Analysis
Bibliographic record
Abstract
Le système collégial public québécois est très dépendant financièrement des subventions accordées par le gouvernement provincial. En effet, 85 % des revenus des collèges d’enseignement général et professionnel (cégeps) proviennent de subventions gouvernementales. Les cégeps se plaignent d’un sous-financement chronique depuis les fortes coupures budgétaires qu’a connu le système d’enseignement québécois pendant les années quatre-vingt-dix. Avant d’appuyer ce discours, il faut vérifier si les cégeps prouvent leur efficience dans la gestion des fonds publics. C’est cette mesure d’efficience des cégeps que nous faisons dans cette étude. Nous évaluons l’efficience des cégeps à l’aide de la méthode duData Envelopment Analysis(DEA) à partir d’une banque de données originale fournie par le ministère de l’Éducation, du Loisir et du Sport du Québec. Nous calculons ainsi une efficience relative, en comparant les cégeps les uns aux autres. Notre étude établit que les cégeps sont, en moyenne, efficients à 90 %. Ceci représente des économies potentielles d’environ 140 millions de dollars, soit 10 % des dépenses totales des cégeps. Nous montrons également que l’efficience des cégeps a varié dans le temps et est inversement liée aux subventions budgétaires, l’efficience ayant augmenté lors des coupures budgétaires.
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 | 0.012 | 0.050 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.009 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".