Bibliographic record
Abstract
Un mot de la rédactriceJ'ai le plaisir de vous présenter ce numéro spécial sur le renforcement des capacités d'évaluation (RCE), dirigé par Steffen Bohni Nielsen, Leslie Fierro, Isabelle Bourgeois et Sebastian Lemire.La recherche et les études sur le RCE sont essentielles à la croissance et au développement continus de notre profession, l'accent mis sur l'apprentissage permettant d'élargir notre réflexion sur l'influence de l'évaluation aux niveaux individuel et organisationnel.Les directeurs de ce volume ont fait un excellent travail en combinant des articles qui parlent de ce qu'est le RCE et de ce qu'il représente dans la pratique au sein d'une diversité d'organisations.Le volume, qui contient trois articles complets et cinq notes de pratique, accorde une place importante aux exemples tirés de l'étude de cas sur la capacité d'évaluation organisée par la Max Bell School of Public Policy de l'Université McGill.Je tiens à remercier les directeurs et les auteurs d'avoir partagé leurs réflexions sur leurs expériences avec le RCE, car je ne doute pas que les lecteurs de la RCEP acquerront des connaissances précieuses sur le RCE et sur la façon dont elle peut améliorer les objectifs d'apprentissage individuels et organisationnels dans les organisations communautaires.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.008 | 0.000 |
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 teacher head, 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".