Changer le comportement des agents publics face à l’ouverture des données publiques : évaluation de l’effet d’un jeu par comparaison des intentions avant et après l’intervention
Bibliographic record
Abstract
Les administrations adoptent de plus en plus des politiques d’ouverture des données. Toutefois, les agents publics jugent difficile de respecter ces nouvelles politiques. Les jeux peuvent les aider à pratiquer l’ouverture des données et à modifier leur comportement en faveur d’une plus grande ouverture. Dans cet article, nous évaluons l’effet d’un jeu dans le cadre d’une expérimentation qui compare, avant et après l’intervention, plusieurs facteurs ayant une incidence sur l’ouverture des données. Les bénéfices observés sont inattendus à plusieurs égards. Le jeu a permis de partager des connaissances dans les domaines de la gestion, de la confidentialité et de la sécurité des données, de modifier de manière significative les bénéfices perçus, et de faire évoluer de manière positive l’intention de comportement. Remarques à l’intention des praticiens Le comportement des agents publics a une incidence sur la façon dont les politiques publiques sont mises en œuvre. Pour beaucoup, la diffusion de données publiques par les administrations est fondamentale pour accroître la transparence publique et la participation des citoyens, et pour ouvrir de nouvelles perspectives économiques. Les jeux peuvent influer sur l’attitude des agents publics, et donc modifier les décisions des administrations. Transmettre des connaissances et fournir des enseignements tirés de nouvelles expériences peut influencer l’attitude des agents publics à l’égard des données ouvertes. Les administrations peuvent également utiliser les jeux à cette fin.
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 | 0.037 | 0.105 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.004 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 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".