Effets du pays, du secteur et de la méthode dans l’étude de la remunicipalisation : une méta-analyse
Bibliographic record
Abstract
Une littérature de plus en plus abondante révèle la remunicipalisation croissante des services publics locaux. Pourtant, alors même que cette littérature est en train de s’étoffer, de nombreux débats subsistent sur les causes de la remunicipalisation. Le présent article rapporte les résultats d’une méta-analyse de la littérature sur la remunicipalisation, en se concentrant sur la question suivante : comment les effets du pays, du secteur et de la méthode affectent-ils les résultats des études sur la remunicipalisation ? J’inclus des articles sur la remunicipalisation sous différents termes (« remunicipalisation », « privatisation inversée », « internalisation » et « externalisation ») recourant à un large éventail de méthodes (études de cas, enquêtes et analyse de documents) et couvrant une vaste période (1995-2019). J’identifie 30 causes de remunicipalisation qui sont envisagées et rencontrées dans la littérature. Les facteurs politiques et pragmatiques semblent être les plus fréquemment envisagés et rencontrés comme causes de remunicipalisation dans la littérature ; les facteurs environnementaux sont moins souvent envisagés mais semblent très pertinents. Par ailleurs, je découvre d’importantes différences entre les littératures qualitative et quantitative. Je propose un programme de recherche visant à permettre une synthèse future plus développée dans la littérature sur la remunicipalisation. Remarques à l’intention des praticiens La littérature sur la remunicipalisation est très fragmentée et la remunicipalisation peut avoir de nombreuses causes. La remunicipalisation semble être une tendance à la fois politique et pragmatique, mais la littérature est encore trop fragmentée pour que l’on puisse en être sûr. Soyez conscient des biais et des limites potentiels de la recherche actuelle sur (les causes de) la remunicipalisation.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.016 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 teacher head, 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".