Influence politique et nomination des hauts fonctionnaires
Bibliographic record
Abstract
C’est en s’appuyant sur une fonction publique professionnelle et politiquement impartiale que l’on garantit le haut niveau de compétence, l’intégrité et la continuité de la formulation des avis et de la mise en œuvre des politiques publiques qui servent l’intérêt général. Il arrive que les gouvernements exercent une influence politique sur les décisions de nomination des hauts fonctionnaires parce qu’ils souhaitent s’assurer la réactivité de la fonction publique en y plaçant aux postes d’encadrement des personnes qui partagent leurs opinions politiques. Cependant, en l’absence de niveaux adéquats de transparence et de responsabilité (par exemple des processus ouverts de confirmation et de sélection par des responsables élus), un degré élevé d’influence politique peut aussi se traduire par la propagation du trafic d’influence et du favoritisme qui risque de nuire à la professionnalisation de la fonction publique. L’influence politique peut aussi provoquer un renouvellement plus marqué des hauts fonctionnaires, avec à la clé une stabilité et une continuité de l’encadrement inférieures à ce qui est nécessaire pour assurer les améliorations et les réformes de long terme. De surcroît, lorsqu’une influence politique s’exerce sur les décisions concernant le personnel de la fonction publique, la préférence peut aller à des acteurs politiques plutôt qu’à des responsables publics possédant les qualifications et compétences nécessaires pour faire des dirigeants performants. In fine, il peut en résulter une perte de confiance envers les institutions si les citoyens estiment que les responsables publics sont nommés en fonction de leur affiliation politique plutôt que de leurs compétences en matière d’encadrement et d’action publique.
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 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.020 | 0.003 |
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".