Entre clientélisme et bonne gouvernance : les dispositifs organisationnels dans les processus de nominations publiques (locales)
Bibliographic record
Abstract
Dans cet article, nous nous intéressons à la question de savoir si certains dispositifs organisationnels utilisés dans les processus de nominations publiques (locales) pourraient favoriser le recours aux nominations comme outil de bonne gouvernance plutôt que comme outil de clientélisme. Nous avons plus particulièrement étudié le rôle de six dispositifs organisationnels dans dix études de cas portant sur des processus de nominations publiques infra-et interorganisationnels tenus dans des administrations locales italiennes. Nous avons constaté qu’une bonne gouvernance (en termes de perception de l’intégrité et de l’équité globales) se retrouvait dans les processus de nominations publiques caractérisés par la présence d’un contrôle indépendant et par l’intervention de conseillers locaux et/ou d’intervenants externes dans le processus – c’est-à-dire d’acteurs autres que ceux qui étaient officiellement habilités à nommer des personnes. Dans ces cas, les nominations étaient considérées comme un outil de bonne gouvernance plutôt que de clientélisme. Ces dispositifs organisationnels étaient plus pertinents que d’autres, comme la transparence des annonces publiques, des descriptions de poste et des exigences en matière de formation professionnelle, et la sensibilisation des médias et du public. Dans cet article, nous commençons par évoquer la littérature pertinente et l’étude technique, et examinons ensuite les implications pour la recherche, les politiques et la gestion. Remarques à l’intention des praticiens En ce qui concerne les implications politiques, nous examinons l’importance de la transparence et d’une certaine forme de freins et contrepoids dans la capacité à effectuer des nominations publiques ainsi que de sensibiliser davantage les citoyens et la société en général à la question des nominations publiques. Du point de vue de la gestion, notre article laisse entendre que les gestionnaires publics doivent tenir compte des implications des différents dispositifs organisationnels susceptibles d’être utilisés dans les processus de nominations publiques pour tirer parti du potentiel de bonne gouvernance des nominations publiques.
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 | 0.012 | 0.022 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.008 | 0.014 |
| Scholarly communication | 0.010 | 0.005 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 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".