Pourquoi les innovations dans le secteur public surviventelles ? Étude exploratoire sur l’influence du feedback, de l’imputabilité et de l’apprentissage
Bibliographic record
Abstract
La question de savoir si les innovations dans le secteur public durent, et ce qui détermine leurs chances de survie, reste une lacune dans la littérature relative à la gestion publique. La présente étude exploratoire se penche sur les gagnants et les lauréats des prix de l’innovation dans le secteur public en Belgique, en France, aux Pays-Bas, en Roumanie, en Slovaquie et au Royaume-Uni. Grâce à une étude couvrant 220 cas, elle examine si les boucles de feedback, les mécanismes d’imputabilité et les processus d’apprentissage (FIA) (Feedback, Accountability, Learning [FAL]) peuvent expliquer la survie des innovations dans le secteur public. La conclusion est qu’une culture de feedback, d’imputabilité et d’apprentissage semble avoir un lien positif avec la survie des innovations. Remarques à l’intention des praticiens Innover est une chose, faire durer les innovations en est une autre. Une culture combinant informations nées du feedback, processus d’apprentissage visant à interpréter ces informations, et culture d’imputabilité semble améliorer les chances qu’ont les innovations de résister à l’épreuve du temps. Les instruments permettant de mesurer la performance de l’innovation en soi ne semblent pas affecter les chances de survie de l’innovation.
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 | 0.011 | 0.038 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".