Classification des fonctions des administrations publiques (CFAP/COFOG)
Bibliographic record
Abstract
Conçue par l’OCDE, la Classification des fonctions des administrations publiques (CFAP ou COFOG) classe les données sur les dépenses des administrations publiques provenant du Système de comptabilité nationale selon l’objet auquel les fonds sont consacrés. Comme le montre le tableau C.1, la CFAP de niveau 1 répartit les données sur les dépenses selon 10 groupes ou sous-secteurs « fonctionnels » de dépenses (comme les affaires économiques, l’enseignement ou la protection sociale), et la CFAP de niveau 2 subdivise chaque groupe du niveau 1 en neuf sous-groupes au maximum. On dispose de données correspondant au niveau 1 de la CFAP pour 32 des 35 pays membres de l’OCDE (en fonction de la disponibilité de séries temporelles) mais, s’agissant du niveau 2, on ne dispose actuellement de données que pour 25 pays de l’OCDE membres de l’Union européenne, plus IsraëlOn ne dispose pas de données sur les dépenses correspondant pour le niveau 1 de la CFAP pour le Canada, le Chili et le Mexique. Jusqu’à une époque récente, les données correspondant au niveau 2 de la CFAP étaient disponibles dans certains offices statistiques nationaux, mais n’étaient pas recueillies par les organisations internationales. De plus, les données correspondant à ce niveau n’étaient pas toujours complètement comparables d’un pays à l’autre, car le guide relatif au SCN des Nations Unies et le Manuel de statistiques de finances publiques du Fonds monétaire international ne donnaient que peu d’informations pratiques sur l’application des concepts de la CFAP. Toutefois, en 2005, Eurostat a mis en place un groupe de travail chargé de rédiger un manuel sur l’application de la CFAP aux données relatives aux dépenses figurant dans les comptes nationaux et de débattre du recueil de données correspondant au niveau 2 de la CFAP pour les pays européens. On ne dispose pas de données correspondant au niveau 2 de la CFAP pour la Turquie, ni pour les membres de l’OCDE non européens (à l’exception d’Israël). Par ailleurs, dans certains pays membres de l’UE, ces données sont disponibles seulement pour certaines divisions de la CFAP. Des efforts sont en cours afin de parvenir à un accord avec ces pays sur la communication de ces données à l’OCDE..
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
Direct model labels (unvalidated)
Per-model category and study-design labels from the labeling rounds. They are machine output, unvalidated, and the disagreement between models ships as data. No study design here is MEDLINE-validated yet.
| Model arm | Categories | Study design | Confidence |
|---|---|---|---|
| gpt | no category Domain: not available · Genre: Other About the Canadian research system: no · About a Canadian topic: no | Not applicable | high |
| grok | no category Domain: not available · Genre: Other About the Canadian research system: no · About a Canadian topic: no | Not applicable | low |
| opus | no category Domain: not available · Genre: Other About the Canadian research system: no · About a Canadian topic: no | Not applicable | low |
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 | 0.041 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.018 | 0.025 |
| Science and technology studies | 0.001 | 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) | 0.016 | 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, unvalidatedLabeled directly by 3 models reading the full record.
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".