Vérification de deux méthodes d’estimation indirecte de la mortalité
Notice bibliographique
Résumé
L’utilisation de méthodes d’estimation s’avère souvent indispensable pour étudier la mortalité de populations pour lesquelles les données nécessaires sont déficientes. Mais, quelle confiance peut-on accorder à ces méthodes? Jusqu’à quel point sont-elles efficaces et quelles sont les marges d’erreur qu’elles comportent? Le présent article examine deux méthodes d’estimation indirecte de la mortalité : la méthode de Bourgeois-Pichat (estimation de l’espérance de vie à la naissance), et celle utilisée par Bourbeau et Légaré (Bourbeau et Légaré, 1982), qui consiste à estimer, pour une population donnée, certains indices de mortalité du passé en utilisant le décalage (en années de calendrier) observé à une époque récente entre cette population et certaines autres populations (méthode des écarts). Nous appliquons ces méthodes aux données de la Norvège pour la période 1826-1976. Les résultats sont ensuite mis en comparaison avec les données observées pour la même période. À partir de ces applications et comparaisons, nous faisons une évaluation de chacune des méthodes, en faisant ressortir les avantages et les inconvénients qui les caractérisent. Nous mettons toutefois l’accent sur la méthode des écarts, dont l’utilisation par Bourbeau et Légaré est la première du genre pour estimer certains indices de mortalité du passé.
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 | 0,040 | 0,090 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».