L’evaluation d’impact sur la sante (EIS), un outil au service de la justice environnementale
Notice bibliographique
Résumé
Originaire des États-Unis, le mouvement de justice environnementale s’est globalisé, en se diffusant autour du monde et en s’adaptant au contexte politique, social et culturel de chaque pays. Contrairement aux États-Unis et au Canada, où les problématiques de justice environnementale sont perçues et analysées selon des références ethniques et raciales, en Europe, celles-ci sont appréhendées en référence à des catégories sociales. \n Les études abordant la justice environnementale au prisme de la santé publique sont nombreuses, tout comme celles se focalisant sur les iniquités de santé. À l’inverse, rares sont celles intégrant des outils, tels que les évaluations d’impact sur la santé (EIS), à leur discussion. \n L’EIS est un outil d’aide à la décision, dont l’objectif est d’apprécier les impacts des politiques sur la santé de la population, avec une attention particulière portée aux questions d’inégalités de santé. Basé sur l’approche par les déterminants de la santé, il considère que les principaux facteurs qui influencent la santé ne relèvent pas de l’accès aux soins, mais concernent les conditions socio-économiques et l’exposition aux nuisances environnementales de la population. Partant, les EIS s’intéressent prioritairement aux politiques non-sanitaires (p.ex. agriculture, environnement, transports, etc.). \n De part ces caractéristiques, l’EIS peut faciliter la compréhension des questions de justice environnementale dans le processus de prise de décision. Même s’ils n’ont pas été conçus pour appréhender spécifiquement les problèmes de racisme environnemental, les EIS se concentrent sur les bénéfices de santé ainsi que sur la distribution des impacts de santé au sein de la population. Or, ce dernier objectif renvoie directement à l’équité, concept fondamental dans le domaine de justice environnementale, dont le mouvement du racisme environnemental appartient, créant ainsi un point de rencontre entre ces trois notions. Dans ce contexte, la distribution inégale de l’exposition aux facteurs de risque environnementaux peut être perçue comme le principal aspect de l’injustice environnementale mais également comme le point de départ pour diminuer les inégalités en matière de santé sur lesquelles les EIS sont en capacité d’agir. \n Cette contribution se propose d’analyser l’apport des EIS en tant qu’approche permettant de mieux protéger les groupes les plus défavorisés par une distribution plus juste et équitable des effets sur la santé, usuellement produits par les politiques publiques. En partant de l’analyse théorique des effets distributifs en matière de justice environnementale des outils d’évaluation prospective (Walker, Fay and Mitchell 2005), elle va s’intéresser à la prise en compte de ces effets potentiels lors de la mise en œuvre d’EIS. A travers une revue de la littérature scientifique et une analyse de la littérature grise relative aux rapports d’EIS, elle va proposer une analyse comparative entre la France (pratique récente des EIS, mais en forte augmentation) et le Canada (Québec, pratique ancienne des EIS, bénéficiant d’un cadre légal contraignant) avec, pour objectif, d’apprécier la pertinence et les limites des EIS en relation au triptyque racisme-environnement-santé, et ainsi promouvoir l’usage de l’EIS en tant qu’outil d’aide à la décision visant à lutter contre le renforcement d’injustices existantes en matière de santé.
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 | 0,059 | 0,096 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,016 |
| Communication savante | 0,017 | 0,012 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».