L'élaboration et la mise en œuvre des recommandations issues d'évaluations de programmes au gouvernement du Canada
Bibliographic record
Abstract
Sommaire Au gouvernement du Canada, les rapports d'évaluation de programmes contiennent des recommandations qui visent l'amélioration de leurs modalités et de leur mise en œuvre. L'élaboration de recommandations peut constituer une étape laborieuse de la démarche évaluative et mobiliser plusieurs parties prenantes. Cependant, peu d'études ont été réalisées afin de déterminer comment ces recommandations sont élaborées et si elles sont ensuite mises en œuvre par les responsables des programmes. Cet article présente les résultats d'un sondage mené auprès des directions d'évaluations fédérales afin de mieux cerner les enjeux relatifs à l'élaboration et à la mise en œuvre des recommendations. Les résultats témoignent d'un niveau élevé d'implication des parties prenantes à la démarche évaluative et à l'élaboration des recommandations, ce qui soutient une utilisation accrue des évaluations. Les résultats de l'étude confirment ceux d'études antérieures et démontrent que les recommandations sont principalement axées sur l'amélioration de l'efficacité et de l'efficience des programmes plutôt que sur la prise de décision plus stratégique.
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 | 0.195 | 0.284 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.003 |
| Bibliometrics | 0.006 | 0.008 |
| Science and technology studies | 0.008 | 0.007 |
| Scholarly communication | 0.016 | 0.006 |
| Open science | 0.005 | 0.005 |
| Research integrity | 0.004 | 0.008 |
| Insufficient payload (model declined to judge) | 0.008 | 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".