La note de politique comme outil de transfert de connaissances : pour avoir un impact votre note doit d’abord être lue.
Notice bibliographique
Résumé
Les notes de politique : retour sur notre expérience autour d'un outil de transfert des connaissances pour les décideurs et intervenants Depuis 2010, les équipes de recherche avec qui nous travaillons ont produits des dizaines de notes de politique (NP) afin d'informer les différentes parties prenantes des résultats de nos études et de leur utilité pour les pratiques de santé publique et la prise de décision. La préparation de ces notes devrait toujours s'inscrire dans un processus de transfert de connaissances (TC) plus large, car elles ne sont que des outils au service de la prise de décision. Ainsi, souvent, elles servent d'instruments de discussion lors d'ateliers délibératifs (Ridde et Dagenais, 2017) portant sur la manière dont les résultats pourraient être intégrés dans les pratiques et les politiques publiques. Sur la base de ces expériences, nous avons développé un guide de préparation des NP dont nous nous sommes servis à de multiples reprises dans le cadre d'ateliers de formation auprès des chercheurs et dont nous avons évalué les effets. Ces formations ont été offertes dans différents formats d'une durée allant de trois heures à deux jours. Dans cet éditorial, nous nous basons sur ces différentes expériences pour proposer un format de note de politique qui s'adresse à un public non-chercheur et qui vise à influencer les pratiques et la prise de décision. Les notes de politique : de quoi parle-t-on? Le terme note de politique peut désigner plusieurs types de document et de nombreux termes sont utilisés pour les qualifier: Note technique, Note d'orientation, Evidence brief, Evidence summaries, Research snapshot ... Les définitions qu'on leur donne varient tout autant. On pourrait placer ces définitions sur un continuum du plus « neutre » au plus « interventionniste », mais les deux sont toujours fondés sur des données probantes. La NP « neutre » présente des informations nuancées pour donner un portrait global de la situation au sujet d'une problématique donnée (Moat et al., 2014). La NP plus « interventionniste » propose des solutions à un problème et vise un changement rapide (Arcury et al., 2017; Young et Quinn, 2012). Le modèle proposé par le groupe EVIPNet 1 , est un bon exemple de NP qui se veut neutre. Ce réseau utilise plutôt le terme Evidence brief qu'il définit comme un : « résumé, qui est adapté au contexte spécifique, de ce qui est connu selon une étude ou une revue systématique à propos d'une problématique, de trois options pour résoudre cet enjeu ainsi que les considérations pour leur mise en oeuvre […] les données inclues sont plus souvent des revues systématiques que des études uniques » (Lavis, 2017). La plupart de ces notes contiennent généralement une vingtaine de pages très denses, mais parfois beaucoup plus 2 et ne contiennent jamais de recommandations pour l'action. Pourtant, Avey et Desh (2014) ont démontré que « les décideurs ne lisent pas les articles dépassant 10-15 pages » et notre expérience dans plusieurs contextes depuis 2010 montre que c'est bien moins. De plus, certains appellent à la prudence et affirment qu'il faut éviter de bombarder les décideurs de données probantes (Cairney et Kwiatkowski, 2017). 1 EVIPNet is « a network established by the World Health Organization to promote the systematic use of research evidence in health policy-making » et est financé par l'OMS. 2 Voir par exemple :
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 | 0,038 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,018 | 0,028 |
| Communication savante | 0,022 | 0,024 |
| Science ouverte | 0,003 | 0,020 |
| Intégrité de la recherche | 0,006 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,031 | 0,006 |
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 ».