L’utilisation des évaluations par l’analyse thématique : le cas d’Anciens Combattants Canada (ACC)
Bibliographic record
Abstract
L’enjeu de l’utilisation des résultats des évaluations existe au moins depuis 50 ans. Plusieurs recherches précisent que les évaluations au sein du gouvernement canadien ne sont pas utilisées de manière stratégique. De plus, depuis 2016, l’évaluation neutre de la fonction d’évaluation est une exigence de la Politique sur les résultats du Conseil du Trésor. Afin de favoriser cette utilisation stratégique, ainsi qu’appuyer la fonction de l’évaluation, l’analyse thématique a été employée pour brosser un portrait des évaluations intra et inter programme. Les résultats issus de cette analyse permettent de conclure que cette méthode d’analyse est pertinente. Elle met en lumière les aspects récurrents ou divergents des évaluations. Ainsi, elle pourrait soutenir la prise de décision stratégique de la haute direction concernant la pertinence, l’efficacité et l’efficience des programmes. De même, elle peut soutenir les recommandations du rapport final de 2023 de la BDO au sujet de l’évaluation neutre de la fonction d’évaluation.
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 | 0.022 | 0.048 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.007 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.011 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".