La mesure et l’amélioration de la productivité dans les services sociaux : des choix difficiles
Bibliographic record
Abstract
La mesure de la productivité est difficile dans les services professionnels en général et dans les services sociaux en particulier. Puisqu'il est impossible d'obtenir des indices de productivité inattaquables, plusieurs se résignent à gérer sans indices. Une autre avenue consiste à mettre sur pied des programmes d'amélioration de la productivité basés sur des mesures imparfaites et/ou incomplètes, mesurant davantage l'efficience que l'efficacité. Ceux qui les utilisent doivent toutefois être conscients des limites de ces indices et soucieux de les améliorer constamment. Différentes approches sont présentées : le décompte des activités des praticiens, les matrices multicritères et le décompte des cas traités ; leurs avantages et inconvénients respectifs sont discutés. Après une présentation de certains aspects critiques à considérer lors de la mise en place de tels indices — soit la dynamique de comparaison à instaurer et le développement organisationnel nécessaire — quatre expériences québécoises récentes ou en cours sont présentées sommairement.
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 | 0.014 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.007 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.011 | 0.006 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.005 | 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".