Analyser les changements des politiques publiques par des critères cognitifs et institutionnels
Bibliographic record
Abstract
Cet article est basé sur une étude de cas des changements de la politique fiscale au Brésil. Dans ce pays, le paradigme du système fiscal a changé lors de la mise en oeuvre de la Constitution de 1988 et du processus de démocratisation. Toutefois, malgré ce changement initial de la politique, son paradigme s’est développé d’une manière différente de ce que la théorie cognitive a prescrit : pas comme un changement radical, mais plutôt d’une façon plus progressive. Ainsi, l’analyse du changement d’une politique publique qui s’appuie uniquement sur les critères cognitifs a montré des limites et n’explique pas le processus qui s’est produit dans le cas de la fiscalité au Brésil. Par ailleurs, les approches du néo-institutionnalisme ont proposé un modèle beaucoup plus raffiné pour expliquer le changement de politiques publiques en présentant un modèle basé sur des changements graduels. Cet article propose la notion de changement par « sédimentation cognitive » et défend une vision selon laquelle l’étude des changements de politiques publiques nécessite un lien entre les idées et les institutions, par la combinaison de l’approche cognitive et des théories du néo-institutionnalisme. En outre, la présente étude montre que dans le cas de la fiscalité au Brésil, des changements d’ordre cognitif ont par la suite entraîné des changements d’ordre institutionnel.
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 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| 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".