Notice bibliographique
Résumé
Récemment, pendant un stage à l'hôpital, j'ai traité une patiente âgée (Mme C) qui avait eu un accident vasculaire cérébrale (AVC). Elle parlait dans une langue anglaise si brisée qu'il était difficile de la comprendre et de faire un diagnostic approprié. Mme C m’a informé que son voisin était à l’extérieur lorsqu’elle avait eu son AVC, et il a appelé les Services Médicaux d'Urgence (SMU) car elle ne pouvait pas se lever par elle-même, mais surtout parce qu’elle était sûre que les SMU n’auraient pas compris son accent Français épais au téléphone. Étant moi-même bilingue, je lui ai immédiatement demandé si c’était préférable de continuer la consultation en français. Sans aucune hésitation, elle a répondu avec enthousiasme « Oui, oui, ça me ferait si contente ». Vers la fin de la consultation, Mme C a pris mes deux mains entre les siens et m’a profondément remercié d’avoir fait l’effort supplémentaire d’effectuer son évaluation en Français. Elle m’a informé que c’était la première fois depuis qu’elle avait immigré au Canada, il y a plus de trois décades, qu’elle recevait des soins de santé en Français et qu’elle espérait que ce ne serait pas la dernière. Cette expérience avec Mme C m’a poussé à me demander combien d’autres patients ont enduré ou endureront une situation pareille? Quel est l’ampleur du problème? Comment remédier à cette situation? Quel est l’impact sur la qualité des soins reçus quand le Docteur et le patient ne parlent pas la même langue? Pour répondre à toutes ces questions, j’ai effectué une étude bibliographique approfondie dont les résultats les plus saillants sont mis en relief dans ce qui suit.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,006 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,048 | 0,016 |
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 ».