La gestion des services publics et la coproduction dans les structures de gouvernance à niveaux multiples
Bibliographic record
Abstract
D’un point de vue normatif, la coproduction est recommandée à tous les stades du cycle des services publics. Cependant, les études empiriques antérieures sur la coproduction ne se sont pas penchées sur la question de savoir comment la mettre en œuvre. Rares sont par ailleurs les auteurs qui s’intéressent à la manière dont la coproduction peut s’organiser dans les structures de gouvernance à niveaux multiples. Le but du présent article est de combler ces lacunes, en identifiant les éléments déclenchants, ainsi que les aspects organisationnels et managériaux susceptibles de favoriser l’adoption de la coproduction dans les structures de gouvernance à niveaux multiples. L’analyse empirique s’appuie sur une étude de cas axée sur les services destinés aux enfants autistes. Nous verrons que la coproduction est le résultat de dispositifs interorganisationnels et que le renforcement de la confiance entre les acteurs a joué un rôle essentiel dans la promotion d’une approche en faveur de la coproduction. Remarques à l’intention des praticiens D’un point de vue organisationnel, notre étude de cas révèle que pour favoriser la coproduction dans les structures de gouvernance à niveaux multiples, il convient d’axer les différents stades du cycle des services publics sur la même logique. D’un point de vue managérial, notre étude fait apparaître que la mise en œuvre de la coproduction exige de nouvelles compétences et de nouveaux outils au niveau managérial. Les gestionnaires publics sont invités à écouter les groupes communautaires et les individus, à mobiliser les ressources et les connaissances collectives et à exercer une fonction de métagouvernance. Enfin, si l’on veut assurer la coproduction des services, nos observations indiquent qu’il faut commencer à envisager de façon différente le rôle joué par la société civile et l’État dans la défense de l’intérêt commun.
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 | 0.008 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.005 | 0.009 |
| Scholarly communication | 0.014 | 0.009 |
| Open science | 0.003 | 0.008 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.015 | 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".