Actions entreprises par les chefs d’équipe de la fonction publique en vue d’améliorer leurs compétences de gestion à la suite d’une évaluation de type multisource
Bibliographic record
Abstract
Il est reconnu que toute organisation qui souhaite se développer se doit d’évaluer ses employés afin de rester compétitive, de viser l’amélioration continue, de permettre le développement des compétences de ses individus, de retenir, de motiver et de mobiliser ses troupes. Toutefois, la littérature fait état du fait qu’actuellement, les systèmes et outils d’évaluation des compétences ne fonctionnent pas ou n’atteignent pas leur plein potentiel, car les organisations éprouvent souvent des problèmes majeurs dans leur élaboration, leur utilisation et leur gestion, rendant ainsi l’atteinte des objectifs de départ extrêmement difficile, voire impossible. Au terme d’une consultation où 57 chefs d’équipe de la fonction publique québécoise se sont prononcés, les constats vont dans le sens que le système d’évaluation multisource utilisé donne des retombées positives. En effet, ces chefs font état de 153 actions concrètes qui ont été entreprises à la suite de la réception de leur feedback, et ce, en vue de l’amélioration de leurs compétences puis de leur organisation. Une catégorisation de ces actions a été effectuée, jetant ainsi les bases de la recherche future dans le domaine de la gestion et du développement des compétences dans le secteur public.
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 | 0.015 | 0.033 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.024 | 0.006 |
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".