La résilience du système de santé publique face à la COVID-19 : développement des systèmes informationnels par les directions régionales de santé publique au Québec
Notice bibliographique
Résumé
Dans le cadre des travaux sur les effets des systèmes d’intelligence artificielle et des outils numériques déployés pour lutter contre la propagation de la COVID-19 sur les sociétés et soutenus par les Fonds de recherche du Québec (FRQ), la professeure Marie-Christine Therrien et son équipe publient le rapport «Résilience du système de santé publique face à la COVID-19: développement des systèmes informationnels par les directions régionales de santé publique au Québec» présentant les résultats d’une analyse sur la construction des systèmes informationnels du réseau de la santé publique au Québec afin d’augmenter la capacité du système à faire face à la pandémie de COVID-19. L’objectif de ce projet de recherche consiste à comprendre la complexité du système informationnel de la santé publique ainsi que d’identifier les facteurs technologiques et organisationnels qui limitent et facilitent la résilience du système. Ce rapport de recherche a été préparé par Cité-ID Living Lab Gouvernance de la résilience urbaine de l’École nationale d’administration publique (ENAP) et la fonction Délibération de l’Observatoire international sur les impacts sociétaux de l’intelligence artificielle et du numérique (OBVIA) dans le cadre des travaux sur les effets des systèmes d’intelligence artificielle et des outils numériques déployés pour lutter contre la propagation de la COVID-19 sur les sociétés et soutenus par les Fonds de recherche du Québec (FRQ).
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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».