Bibliographic record
Abstract
La littérature considère la notion de service public mondial comme un moyen de faire face à un certain nombre de questions stratégiques que ne peuvent plus aborder les États-nations de manière isolée. Dans cet article, nous allons tenter de déterminer s’il est possible de formuler et d’appliquer un modèle de compétences en leadership qui permettrait de sélectionner, de développer et de récompenser ces fonctionnaires internationaux et, dans l’affirmative, d’identifier les compétences en leadership qu’ils devraient posséder. Nous nous appuierons sur des données extraites de la littérature sur les compétences attendues des gestionnaires/responsables internationaux, de même que sur plusieurs modèles de compétences en leadership du secteur public. Nous soutenons qu’il faut réfléchir davantage à la manière de recourir au mieux à un modèle de compétences en leadership afin de faciliter la constitution d’un tel groupe de personnes. Remarques à l’intention des praticiens Cela fait plusieurs décennies que les services publics du monde entier recourent à des modèles de compétences en leadership dans le cadre de leurs systèmes de gestion des ressources humaines. Dans la présente étude, nous examinons quelques-uns des modèles utilisés dans le but d’identifier les principales compétences qui présenteraient une nature plus universelle. Des recherches complémentaires s’imposent afin de s’assurer que ces modèles tiennent compte de la spécificité du 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 | 0.005 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.017 | 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".