Résilience face aux crises sanitaires : un modèle d’analyse pour mieux cerner la complexité de gestion dans les États fragiles
Notice bibliographique
Résumé
La première épidémie de maladie à virus Ebola en Guinée, entre 2013 et 2016, a été révélatrice des défaillances organisationnelles des institutions guinéennes dans la gestion de la crise et de la dépendance aux partenaires techniques et financiers internationaux. On a maintes fois accusé les déficits en matière de résilience pour expliquer les difficultés de gestion de la crise. Cet article a pour objectif de s’interroger sur la manière de renforcer la résilience pour améliorer la réponse aux crises sanitaires dans les États fragiles. La collecte de données de cette étude qualitative a été réalisée dans la période post-Ebola en 2017, grâce à des entretiens semi-dirigés, à une observation d’événements liés à la gestion des crises ou au relèvement post-crise, et à une analyse documentaire approfondie. Présentant les bonnes pratiques pour renforcer la gestion des crises sanitaires dans les États fragiles et un modèle tridimensionnel d’analyse de la gestion résiliente des crises sanitaires dans les États fragiles, cette étude permet de noter que la gestion des épidémies repose sur un état initial et un contexte spécifique, mais également sur les dimensions intra-organisationnelle et inter-organisationnelle puisque plusieurs organisations doivent collaborer. La dernière dimension du modèle d’analyse permet d’apprécier la résilience sanitaire selon les 5 caractéristiques de Kruk et al . (2015), soit la conscience, la diversité, l’autorégulation, l’intégration et l’adaptabilité.
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 | 0,001 | 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 | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».