La rémunération liée aux performances dans l'administration
Bibliographic record
Abstract
Une augmentation de salaire pour récompenser une meilleure performance : une telle politique peut-elle être bénéfique dans le secteur public ? Ce livre présente une vue d’ensemble des politiques de rémunération liée aux performances (RLP) dans l'administration. Il rend compte de l’expérience de 14 pays au cours des 20 dernières années. Il examine aussi bien les avantages que les faiblesses des politiques de RLP. Cet ouvrage explore les diverses voies empruntées par les pays pour mener à bien leurs réformes. Il s’attache à comprendre les raisons pour lesquelles les politiques de RLP sont mises en œuvre et comment ces politiques opèrent concrètement. Les résultats des politiques de RLP sont évalués tant au niveau de l'individu qu'au niveau des équipes. Des recommandations sont proposées pour faciliter la mise en œuvre des politiques de RLP et éviter certains obstacles. Ce livre, qui puise largement dans les rapports préparés par les pays, tire les leçons de deux décennies d'expérience en matière de politiques de RLP. Il évalue également l’impact de ces politiques sur l'efficience du secteur public. Pays couverts Allemagne, Canada, Chili, Corée, Danemark, Espagne, Finlande, France, Hongrie, Italie, Nouvelle-Zélande, Royaume-Uni, Suède et Suisse.
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 | 0.008 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.007 | 0.006 |
| Scholarly communication | 0.014 | 0.006 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.044 | 0.012 |
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".