Des idées pour le travail d’influence : comprendre les chemins d’impact dans la réponse aux crises
Bibliographic record
Abstract
Le programme Covid-19 Responses for Equity (CORE) est une initiative sur trois ans financée par le Centre de recherches pour le développement international (CRDI) du Canada, qui a rassemblé 20 projets issus des pays du Sud afin de comprendre les impacts socio-économiques de la pandémie de Covid-19, d’améliorer les réponses existantes et d’élaborer de meilleures options politiques pour favoriser la relance. Les recherches ont porté sur 42 pays d’Afrique, d’Asie, d’Amérique latine et du Moyen-Orient afin de comprendre comment la pandémie a affecté les régions et les personnes les plus vulnérables en aggravant les fragilités existantes. Les projets de recherche ont couvert un large éventail de thèmes, notamment les politiques macroéconomiques de soutien et de redressement, l’appui aux activités économiques essentielles et la protection des entreprises informelles, des petits producteurs et des femmes au travail, ainsi que la promotion d’une gouvernance démocratique pour renforcer la responsabilité, l’inclusion sociale et l’engagement civique. L’Institute of Development Studies (IDS) a apporté aux partenaires de recherche du programme CORE un appui à l’application des connaissances afin de maximiser l’apprentissage généré dans l’ensemble du portefeuille de recherche et d’approfondir l’engagement auprès des gouvernements, de la société civile et de la communauté scientifique. Dans le cadre de ce soutien, l’équipe d’application des connaissances de l’IDS a travaillé avec les équipes de projet du programme CORE pour reconstruire et réfléchir à leurs chemins d’impact afin de faciliter l’échange de connaissances Sud-Sud sur des stratégies efficaces pour l’impact de la recherche et de partager l’apprentissage sur la façon dont la cohorte du programme CORE a influencé les politiques et produit des changements. Ce rapport présente une vue d’ensemble de ces chemins d’impact et des enseignements tirés d’une sélection de projets choisis pour représenter la diversité des approches visant à mobiliser les décideurs politiques, la société civile et les médias afin de générer et de partager des données probantes des effets de la pandémie sur différents groupes vulnérables.
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 | 0.019 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.014 | 0.040 |
| Scholarly communication | 0.030 | 0.018 |
| Open science | 0.002 | 0.013 |
| Research integrity | 0.007 | 0.011 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
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".