Promotion de la santé basée sur des données probantes : un domaine émergeant
Notice bibliographique
Résumé
On débat beaucoup de l’utilisation des données probantes dans la pratique de la promotion de la santé. Cet article vise à affiner la compréhension que nous avons de cette question en examinant et en analysant les 26 études de cas présentées dans ce numéro spécial. Ces études de cas laissent supposer que les praticiens en promotion de la santé utilisent un large éventail de données issues de la recherche dans les interventions destinées à des personnes à risque, à des populations dans leur ensemble et à des groupes vulnérables, en conformité avec les cinq stratégies d’action décrites dans la Charte d’Ottawa pour la Promotion de la Santé. Dans presque tous les cas, les praticiens ont dû faire des compromis et adapter les données scientifiques à leur cas. Huit leviers clés ont aidé les praticiens à intégrer les données issues de la recherche dans la pratique : la pertinence locale et culturelle des données, le développement des capacités au niveau communautaire, un dialogue continu avec l’ensemble des parties prenantes dès le début, des partenariats bien établis et soutenus par le milieu universitaire, une communication qui réponde à l’opportunité politique et organisationnelle, la reconnaissance et la prise de conscience des fossés qui existent entre les données probantes et la pratique, le plaidoyer et enfin, des ressources appropriées et spécifiquement réservées. Ces études de cas apportent la preuve qu’il existe bel et bien une promotion de la santé fondée sur des preuves, que ces preuves sont larges et que les praticiens utilisent différentes stratégies pour les adapter à leur cas.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,199 | 0,354 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,011 | 0,018 |
| Études des sciences et des technologies | 0,007 | 0,025 |
| Communication savante | 0,018 | 0,022 |
| Science ouverte | 0,006 | 0,013 |
| Intégrité de la recherche | 0,006 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».