Veille sur les outils numériques en santé dans le contexte de COVID-19
Notice bibliographique
Résumé
La pandémie de la COVID-19 exerce une pression importante sur les systèmes de santé à travers le monde, lesquels doivent s’adapter à une demande accrue tout en transformant leurs façons de faire pour réduire les risques de propagation du virus. Le numérique (applications, logiciels et réseaux associés) promet de soutenir les organisations, les praticiens et les citoyens via une diversité de capacités pour optimiser la gestion de l’information et soutenir les soins à distance, voire les auto-soins. Une équipe de chercheur·es de l'OBVIA dirigée par Aude Motulsky et Philipe Després a entrepris une veille numérique en lien avec la gestion de la COVID-19 dès le début du mois de mars, afin de dresser les contours des transformations numériques en cours au Canada, et exposer des observations et constats préliminaires qui permettent d’identifier des pistes de recherche et actions à prioriser pour mobiliser le potentiel tout en limitant les conséquences indésirables. Le rapport présente la démarche réalisée, les observations, ainsi que les principaux constats qui en émanent. Cette veille sur les outils numérique en santé dans le contexte de COVID-19 s’inscrit dans le cadre des travaux de l’Observatoire international sur les impacts sociétaux de l’IA et du numérique (OBVIA) 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, 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 | 0,009 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,014 | 0,011 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,003 |
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 ».