Capacité technologique des pouvoirs publics et partenariats public-privé en matière de prestation de services numériques : observations dans des villes chinoises
Bibliographic record
Abstract
Les pouvoirs publics ont renforcé leur collaboration avec le secteur privé en matière de prestation de services publics, et leur propension à le faire est largement déterminée par leurs propres capacités internes. Dans cet article, nous théorisons et analysons la question de savoir si les gouvernements ayant une capacité technologique extrêmement faible ou extrêmement élevée sont plus susceptibles de collaborer avec des plateformes tierces afin de fournir conjointement des services numériques. Nous nous attendons à ce qu’il y ait une relation en forme de U entre la capacité technologique de ces gouvernements et leurs choix de partenariats public-privé. Une analyse empirique de la prestation de services numériques dans 290 villes chinoises au niveau de la préfecture corrobore cette hypothèse. Ces résultats nous permettent de mieux comprendre les motivations contradictoires qui animent le processus de partenariat public-privé. Remarques à l’intention des praticiens La collaboration public-privé a été largement adoptée pour promouvoir la prestation de services numériques. Cet article confirme la relation en forme de U entre la capacité technologique du gouvernement et la collaboration public-privé dans la prestation de services numériques au niveau de la ville. Pour encourager la collaboration, il est essentiel de cibler des pouvoirs publics aux capacités variées, ce qui semble plus facile dans les grandes villes ayant un rang administratif élevé et qui sont globalement matures sur le plan technologique et dans un environnement compétitif sur le plan technologique.
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 | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".