Bibliographic record
Abstract
Les festivals citoyens constituent un formidable laboratoire pour l’étude de la gouvernance collaborative, ces événements étant omniprésents et caractérisés par des partenaires publics et privés, engagés dans une activité conjointe. Nous allons analyser les modèles actuels de gouvernance collaborative en prenant pour exemple le carnaval de Salvador, au Brésil, afin de déterminer s’ils s’appliquent au contexte des grands festivals citoyens. Notre analyse qualitative, qui s’appuie essentiellement sur le modèle d’Ansell et Gash (2008), indique que certaines constructions des modèles de gouvernance collaborative sont présentes. Nos résultats font toutefois apparaître d’autres facteurs ayant une influence sur le processus de collaboration, comme les relations informelles et le fondement du processus décisionnel. Nos résultats indiquent aussi que la confiance, un facteur habituellement considéré comme nécessaire à l’action collaborative, est sans doute moins importante que ne le laissent entendre les théories habituelles. Remarques à l’intention des praticiens Les grands festivals citoyens sont un formidable laboratoire pour l’étude de la collaboration interorganisationnelle, ces événements faisant habituellement intervenir une série d’acteurs publics et privés, qui travaillent de manière interdépendante. Notre étude fait apparaître certains facteurs qui n’ont pas été abordés dans les précédentes recherches et qui influencent la dynamique de la collaboration. Nous observons que les interactions répétées entre les experts techniques peuvent favoriser les réseaux de collaboration informels (et effectifs) et permettre d’éviter les problèmes engendrés par les conflits politiques. Les fondements sur la base desquels les décisions sont prises sont aussi des facteurs importants pour améliorer la collaboration. Nous constatons que la confiance, un facteur habituellement considéré comme nécessaire à l’action collaborative, est sans doute moins importante que ne le laissent entendre les théories habituelles.
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 | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.009 | 0.016 |
| Scholarly communication | 0.011 | 0.008 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 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".