Ce qui amène les citoyens à coproduire dans les services d’activation : l’importance de la motivation et de la confiance – Enquête sur les biais de sélection dans un programme d’activation municipal aux Pays-Bas
Bibliographic record
Abstract
Les services d’activation (programmes actifs du marché du travail) axés sur le réembauchage des demandeurs d’emploi sont souvent victimes d’« écrémage », cette technique qui consiste à sélectionner ceux qui sont les mieux qualifiés pour réintégrer le marché du travail. Les nouveaux modes de prestation, comme la coproduction, sont censés être plus à l’abri des mécanismes de sélection. Afin de déterminer si les programmes d’activation coproduits sont victimes de biais de sélection, nous avons comparé les participants à un programme local d’activation innovant (n=60) aux non-participants (n=18). Les participants sont en général plus motivés et présentent des niveaux plus élevés de confiance généralisée, municipale et interpersonnelle. De plus, un niveau élevé de motivation générale correspond à un niveau élevé de confiance et de contrôle perçu. Cela veut dire qu’il existe bel et bien un biais de sélection au sein des programmes d’activation coproduits. Il n’est dès lors pas certain que la coproduction soit plus efficace que les types classiques de prestation de services pour faire face à l’écrémage. Remarques à l’intention des praticiens Les services publics, par exemple dans le domaine des politiques d’activation, sont de plus en plus offerts de telle manière à obliger les utilisateurs à faire davantage d’efforts et à prendre davantage de responsabilités. La présente étude démontre que ces exigences suscitent une sélection des utilisateurs. Les professionnels qui s’occupent de services coproduits doivent savoir que lorsqu’ils choisissent leurs clients, ils ont des chances de laisser de côté les personnes vulnérables. Plus précisément, lorsque la motivation intrinsèque est un critère de sélection important, ceux qui présentent des niveaux de confiance et de contrôle perçu insuffisants seront laissés de côté. Par conséquent, des stratégies qui peuvent paraître inclusives peuvent en réalité conduire à l’exclusion.
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 | 0.004 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.008 |
| Scholarly communication | 0.001 | 0.003 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 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; both teacher heads agree on what is shown here.
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".