MétaCan
Menu
Retour à la cohorte
Enregistrement W1659166107 · doi:10.3917/spub.145.0621

Quelle stratégie peut développer une Agence régionale de santé pour réduire les inégalités sociales de santé ?

2014· article· fr· W1659166107 sur OpenAlexaboutno aff
Gérard Coruble, Laurent Sauze, Hugues Riff

Notice bibliographique

RevueSanté Publique · 2014
Typearticle
Languefr
DomaineHealth Professions
ThématiqueHealthcare Systems and Practices
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGeneral partnershipContext (archaeology)Political scienceAgency (philosophy)JurisdictionPopulationSocial determinants of healthScope (computer science)Health careGeographyMedicineSociologyEnvironmental healthSocial science

Résumé

récupéré en direct d'OpenAlex

Reducing social inequalities in health (SIH) is a key priority for the Provence Alpes Côte d'Azur Regional Health Agency (Paca ARS). The actions and objectives defined in the regional health project were divided into a two-way table (determinants/policies by target population) to verify the consistency and extent of such measures. Sustaining actions of the ARS, alone or in partnership on the determinants of SIH and their effects, target three distinct levels of intervention: in the scope of its own jurisdiction, as a resource for other actors, including support of action research and finally in the context of partnership approaches. It has developed fine measurement and monitoring tools and has supported the development of a continuing education e-learning programme developed with partners in Paca and Quebec. However, further efforts are needed to develop actions on fundamental determinants, including environmental determinants and more effective implementation of this policy. The objectives of certain territorial health programmes designed to make local primary care structures responsible for the population concerned are very promising.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,014
score de la tête « metaresearch » (Gemma)0,007
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesIntégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,578
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0140,007
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0030,001
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,147
Tête enseignante GPT0,472
Écart entre enseignants0,326 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSanté PubliqueMême sujetHealthcare Systems and PracticesTravaux en français237 207