Le calcul de la valeur statistique d’une vie humaine
Notice bibliographique
Résumé
Notre société fait face à de nombreux risques qui affectent des vies humaines. Les autorités publiques doivent donc déterminer le budget optimal à consacrer à chaque projet visant à diminuer ces risques sociaux. L’analyse avantages-coûts est un outil très utilisé pour l’évaluation de ces projets. La tâche du gouvernement est de mettre en place des projets ou des réglementations qui génèreront des bénéfices supérieurs aux coûts de leur implantation. Les coûts sont habituellement assez faciles à déterminer, mais comment évaluer les bénéfices reliés à la sauvegarde de vies humaines? Depuis les années soixante-dix, le nombre d’études réalisées sur la mesure de la valeur statistique d’une vie humaine (VSV) est impressionnant. Plusieurs valeurs ont été estimées, et ce, à l’aide de différentes méthodes. La difficulté des gouvernements à choisir une valeur provient de la grande variabilité dans les résultats obtenus. En effet, lesVSVobservées varient de 0,5 million de dollars jusqu’à 50 millions de dollars ($ US 2000). L’objectif principal de cet article est d’aider à comprendre d’où vient cette grande variabilité dans les résultats. Nous voulons aussi déterminer quelle valeur nous semble la plus raisonnable.
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 | 0,015 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».