L’évaluation d’impact sur la santé en Montérégie : un processus appuyé sur le courtage de connaissances
Notice bibliographique
Résumé
Le présent article fait état du modèle de soutien à la prise de décision appliqué à l'évaluation d'impact sur la santé (EIS) en Montérégie, au Canada. Pour répondre à la volonté de soutenir l'élaboration de politiques et projets municipaux favorables à la santé et fondés sur les données probantes, la Direction de santé publique a mis en œuvre une démarche d'EIS dont les fondements pratiques s'inspirent des expériences internationales en matière d'EIS et dont les assises théoriques reposent sur le partage et le courtage de connaissances. L'expérience montérégienne démontre que la stratégie de courtage de connaissances appliquées à l'EIS encourage un partage respectueux des responsabilités et rôles de chacune des parties prenantes et favorise l'utilisation des connaissances de santé publique dans la prise de décision municipale. Le courtage des connaissances permet de prendre en compte les enjeux locaux dans les analyses d'impact et dans les recommandations aux décideurs. En conclusion, il s'avère que l'implication des décideurs municipaux à la recherche de solutions favorables à la santé permet d'inscrire les données probantes à l'intérieur des processus décisionnels et d'observer leur utilisation à plusieurs niveaux. L'évaluation des premières expériences d'EIS révèle en effet que les connaissances partagées répondent à des besoins immédiats engendrant leur utilisation directe, contribuent à des changements de perception et de pratique à plus large échelle et font de la santé une valeur reconnue par les décideurs publics et promue auprès de leurs citoyens pour accroître l'acceptabilité des initiatives municipales.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».