MétaCan
Menu
← Retour à la cohorte
Enregistrement W4405593689 · doi:10.54932/qryj3343

Impact des mesures incitatives et coercitives sur le lieu de pratique des nouveaux médecins de famille

2024· report· fr· W4405593689 sur OpenAlexaboutno aff
Bernard Fortin, Justin Ndoutoumou, Josette Gbeto, Maude Laberge

Notice bibliographique

Revuenon disponible
Typereport
Languefr
DomaineHealth Professions
ThématiqueHealth, Medicine and Society
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPolitical science

Résumé

récupéré en direct d'OpenAlex

Les services de première ligne sont une composante essentielle des soins de santé pour la population. Dans une région touchée par une grave pénurie de médecins, le risque de ne pouvoir accéder en temps opportun à des soins appropriés peut engendrer des problèmes de santé sévères en particulier chez les personnes vulnérables. Dès 1975, le gouvernement du Québec a introduit plusieurs mesures pour influencer le choix de la région de pratique des omnipraticiens et ainsi améliorer l’équité dans leur répartition géographique. Certaines mesures sont incitatives. Celles-ci incluent les bourses-contrat d’étude, la rémunération différente selon les régions, les primes d’installation, les primes d’isolement ou encore les primes de rétention. D’autres mesures sont coercitives. En 2004, les Plans régionaux d’effectifs médicaux (PREM) ont été introduits. Selon les PREM, tout nouveau médecin qui veut changer de région de pratique doit obtenir un avis de conformité du département régional de médecine générale où il veut s’installer. Cet avis ne peut être délivré que si la cible du PREM n’a pas été atteinte. Les PREM ont été rendus encore plus contraignants en 2015. À partir d’un riche ensemble de données inédites, les auteurs estiment l’effet causal de trois mesures visant à influencer le choix du lieu de pratique des nouveaux médecins de famille du Québec entre 1975 et 2021. Ils montrent que les bourses, la rémunération différente selon les régions et les PREM semblent avoir eu les effets escomptés.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,030
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,123
Score d'incertitude au seuil0,244

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,030
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,002
Communication savante0,0020,001
Science ouverte0,0010,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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.

Tête enseignante Opus0,117
Tête enseignante GPT0,499
Écart entre enseignants0,383 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHealth, Medicine and Society→Travaux en français237 207→