Élargir la notion de bureaucratie représentative : L'exemple du Nunavut
Bibliographic record
Abstract
Résumé Dans cet article, nous examinons les difficultés liées à la création d’une fonction publique représentative dans le nouveau territoire canadien du Nunavut. Nous examinons les mesures prises pour mettre en place une fonction publique représentative qui tient compte de la composition, de la langue et des intérêts culturels de la population essentiellement inuite vivant sur le territoire. Nous verrons comment l’approche multidimensionnelle adoptée par le gouvernement du Nunavut dans le but de créer une fonction publique à l’image de la population a pour effet d’élargir la notion de bureaucratie représentative. Nous mettrons en évidence la radicalisation potentielle induite par la création d’une fonction publique fondée sur des perspectives et une expérience locales. Résumé à l’intention des praticiens Cet article, fondé sur des études menées au Nunavut, Canada, a pour but de mettre en évidence les difficultés liées au développement d’une fonction publique représentative de la population locale qu’elle sert. Nous verrons à quel point il est important de lier les stratégies numériques destinées à mettre en place une fonction publique représentative de la population à des programmes visant à intégrer les langues et les cultures locales sur le lieu de travail. Nous verrons à quel point il est important de rattacher les stratégies visant à promouvoir la formation à l’emploi à des stratégies destinées à encourager l’échange interculturel entre les travailleurs locaux et les autres. Nous examinerons également les difficultés liées à l’intégration des valeurs locales traditionnelles dans la gouvernance bureaucratique contemporaine lorsque les responsables des départements ne sont pas des autochtones et que l’interprétation des connaissances locales traditionnelles est contestée. Nous verrons par ailleurs qu’il est difficile de promouvoir l’usage de la langue locale au sein de l’administration lorsque l’enseignement de cette langue n’est pas totalement intégré au système scolaire. Dans nos conclusions, nous indiquons que la recherche d’une approche multidimensionnelle en matière de démocratie représentative qui aborde les questions de représentation numérique, culturelle et linguistique des citoyens locaux peut profondément influencer le fonctionnement de l’administration publique.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.006 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 teacher head, 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".