Bibliographic record
Abstract
Résumé Les principales questions de recherche abordées dans le présent article sont les suivantes : dans quelle mesure les éléments de réforme du NMP et de l’après-NMP sont-ils perçus comme pertinents ou significatifs dans la fonction publique norvégienne; quelles ont été les éléments de réforme les plus importants; et comment expliquer les variations dans l’importance perçue des différents outils de réforme administrative? Quelle est l’influence relative du leadership par rapport à d’autres facteurs structurels et aux caractéristiques démographiques et culturelles? Les données empiriques utilisées dans notre analyse sont essentiellement issues d’enquêtes menées en 1996 et en 2006 auprès de fonctionnaires employés dans les ministères norvégiens. L’une de nos conclusions générales est que les caractéristiques culturelles ont une grande influence, mais le fait d’occuper une position de leadership et de disposer d’une structure de tâches est également important. On observe en général un mélange d’inflexibilité et de flexibilité face aux réformes de la politique administrative. Résumé à l’intention des praticiens Dans le présent article, nous montrons que l’importance perçue des différents outils de réforme administrative est grande au sein des ministères en Norvège. Quatre familles de mesures de réforme apparaissent : les réformes de la gestion du rendement, les réformes de la culture managériale, les réformes structurelles et les réformes liées au marché. Les mesures de réforme liées aux systèmes de gestion du rendement sont généralement perçues comme importantes, contrairement aux réformes liées au marché. Les réformes administratives représentent un modèle solide entre 1996 et 2006, mais de nouveaux outils de réforme sont ajoutés aux mesures existantes, ce qui accroit la complexité. Les variations dans l’importance des différents outils de réforme trouvent leurs origines dans la culture administrative, la position de leadership et les tâches principales des fonctionnaires.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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 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".