L'économie expérimentale au service des politiques publiques : exemple des politiques de l'éducation
Bibliographic record
Abstract
L’approche expérimentale appliquée aux politiques publiques recrée et étudie, dans un environnement contrôlé, les implications des politiques sociales et économiques. L’intérêt de cette approche réside dans l’étude de ces questions sans avoir à réaliser des projets ou des programmes coûteux, la plupart du temps mis en œuvre avec des paramètres qui s’avèrent ex post comme ayant été mal choisis ou spécifiés. En principe, la limite des problèmes examinés par l’économie expérimentale dépend de l’imagination du chercheur et de sa capacité à développer un protocole pertinent. Le défi consiste à simplifier une situation complexe pour en faire un jeu économique tout en maintenant la pertinence de l’analyse. Dans la littérature relative aux politiques publiques, on trouve des applications sur l’exploitation des ressources naturelles, la politique environnementale, la politique industrielle et réglementaire, les règles fiscales et les procédures de vérification, les fraudes fiscales, les investissements dans l’éducation et dans la santé...
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 | 0.062 | 0.113 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.008 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.033 | 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".