L’analyse de contribution pour évaluer l’impact de la démarche ÉIS sur les processus décisionnels municipaux : un choix méthodologique intéressant ?
Notice bibliographique
Résumé
La pertinence de l'évaluation d'impact sur la santé (ÉIS) pour promouvoir le développement de politiques publiques favorables à la santé au sein des municipalités est de plus en plus reconnue. L'appréciation des effets d'une démarche d'ÉIS sur les processus décisionnels d'acteurs municipaux peut toutefois être difficile en raison de la multitude d'influences sociales, économiques, géographiques et personnelles auxquels ils sont soumis. Dans un tel contexte, l'approche évaluative de l'analyse de contribution (AC) s'avère particulièrement intéressante puisqu'elle permet de documenter les facteurs menant à l'efficacité d'une intervention en tenant compte des éléments du contexte. Elle aide l'évaluateur à comprendre comment et pourquoi une intervention fonctionne. Le présent article utilise l'étude de cas pour explorer la faisabilité et l'efficacité de l'AC pour apprécier les effets de démarches d'ÉIS sur le processus décisionnel d'acteurs municipaux. Il décrit les stratégies de collecte et d'analyse de données utilisées auprès de trois municipalités de la Montérégie, au Québec. Cette analyse critique montre que l'AC est pertinente dans le contexte décrit. Elle permet d'établir des associations claires et transparentes entre l'intervention, soit la démarche d'ÉIS, et l'importance accordée à la santé par les acteurs municipaux. Elle assure la prise en compte des facteurs d'influence contextuels et offre la flexibilité nécessaire pour adapter la collecte de données à la réalité du terrain. Néanmoins, la lourdeur de l'approche peut en contraindre l'application et certaines limites méthodologiques ont été observées au niveau de l'analyse des données. Les stratégies mises de l'avant pour y remédier sont décrites.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».