E-DEVLET VE ETKİLİLİK: MİLLİ EĞİTİM BAKANLIĞI TAŞINIR MAL YÖNETMELİĞİ MODÜLÜ ÖRNEĞİ
Bibliographic record
Abstract
Bilgi toplumunun dünyayı etkisi altına alması ile birlikte gündemegelen e-devlet çalışmalarının hızlı, kolay, tasarruflu, şeffaf, katılımcı, zamandanve mekandan bağımsız, kaliteli hizmetler sunarak, kamu yönetiminde bir çoksorunu çözüme kavuşturacağı sık sık dile getirilmektedir Hitap ettiği kesime ( vatandaş, devlet, iş yaşamı) daha kolay, daha hızlı, daha şeffaf, daha tasarruflu ve daha kaliteli hizmet sunma amacıyla uygulamaya alınan e-devlet uygulamalarının planlanan amaçları gerçekleştirip gerçekleştiremediğinin tespit edilmesi hayati öneme sahiptir. Bu çalışmada; 2007 yılında uygulamaya giren Taşınır Mal Yönetmeliğinin Milli Eğitim Bakanlığı edevlet projesi MEBBİS içerisinde uygulama aracı Taşınır Mal Yönetmeliği Modülü’nü etkililik ölçütü ile değerlendirmek amaçlanmıştır. Bu amaçla oluş- turulan araştırma alt problemlerini çözümlemek için anket formu geliştirilmiş ve bu anket formu örneklem gurubunda uygulanmıştır. Araştırma sonucunda katılımcıların TMY Modülünün etkililiği ile ilgili kararsız görüş belirttikleri görülmüştür. TMY’nin uygulanması ile ilgili birlikte çalışabilirliğin sağlanamadığı, yinelenen projelerlerle e-devlet’in amaçlarına aykırı kaynak israfına neden olunduğu tespit edilmiştir.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.029 | 0.004 |
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".