Comment l’attention des pouvoirs publics affecte-t-elle les performances de l’administration en ligne ? Le rôle de l’allocation des ressources et de la collaboration public-privé
Bibliographic record
Abstract
Bien que les gouvernements investissent continuellement dans la construction de l’administration en ligne (ou gouvernement électronique, e-gouvernement), les performances varient en la matière. Cette étude vise à examiner la mesure dans laquelle l’attention des pouvoirs publics influence les performances de l’administration en ligne par le biais de l’effet médiateur de l’allocation des ressources et de l’effet modérateur de la collaboration public-privé. L’analyse de données de panel provenant de 333 administrations préfectorales en Chine confirme que l’attention des pouvoirs publics peut accroître les performances de l’administration en ligne, mais que l’ampleur de l’effet diminue en raison du rôle médiateur des ressources financières et humaines. En outre, une plus grande collaboration entre les secteurs public et privé affaiblit l’effet positif des ressources gouvernementales sur les performances de l’administration en ligne et de l’attention des pouvoirs publics sur les performances de l’administration en ligne. Remarques à l’intention des praticiens Cet article peut aider les praticiens à reconnaître l’importance de l’attention des pouvoirs publics dans l’orientation de la mise en œuvre de l’administration en ligne en vérifiant le lien entre l’attention des pouvoirs publics, l’allocation des ressources et les performances de l’administration en ligne. En outre, cette étude fournit également quelques suggestions aux praticiens qui cherchent à collaborer avec des organisations privées en confirmant le rôle négatif de la collaboration public-privé entre les ressources gouvernementales et les performances de l’administration en ligne.
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 | 0.006 | 0.018 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.031 | 0.004 |
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".