E-participation citoyenne et valeur publique dans les municipalités tunisiennes. Étude exploratoire 2011-2021
Bibliographic record
Abstract
Depuis les travaux de Moore dans les années 1990, la génération de la valeur publique à partir des initiatives d’institutions gouvernementales (spécifiquement celles basées sur la technologie digitale) est devenue une préoccupation académique et pratique. Cet article aborde cette question en explorant particulièrement les retombées d’initiatives de e-participation citoyenne sur la valeur publique dans les municipalités tunisiennes. D’abord et à partir d’un examen des débats, ambiguïtés et controverses autour du thème à l’étude, nous mobilisons un cadre théorique, en l’occurrence celui d’Harrison, pour repérer les types de valeur publique créés dans des institutions gouvernementales et les mécanismes de leur génération. Puis, nous justifions le choix d’une approche exploratoire qualitative d’étude de cas multiples dans le contexte des municipalités tunisiennes. Enfin, la sélection de répondants aux angles de vue divers (chargés de la e-participation citoyenne dans les municipalités et représentants d’associations œuvrant dans le domaine de la gouvernance locale) nous permet de valider les résultats suivants : (1) la e-participation citoyenne amplifie et crée quatre mécanismes générateurs de la valeur publique (efficacité, efficience, amélioration intrinsèque et interactivité/réactivité) ; (2) avec la technologie digitale exploitée actuellement, la e-participation citoyenne génère essentiellement une valeur publique de type économique et (3) pour pouvoir générer d’autres types de valeur publique (politique, sociale, …), il est nécessaire de développer des plateformes numériques gouvernementales qui autorisent la co-création et non simplement l’interaction, d’une part, et d’avoir la prédisposition et l’engagement du personnel de première ligne, d’autre part.
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 | 0.004 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.009 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".