Promotion de la santé basée sur des données probantes : un domaine émergeant
Bibliographic record
Abstract
On débat beaucoup de l’utilisation des données probantes dans la pratique de la promotion de la santé. Cet article vise à affiner la compréhension que nous avons de cette question en examinant et en analysant les 26 études de cas présentées dans ce numéro spécial. Ces études de cas laissent supposer que les praticiens en promotion de la santé utilisent un large éventail de données issues de la recherche dans les interventions destinées à des personnes à risque, à des populations dans leur ensemble et à des groupes vulnérables, en conformité avec les cinq stratégies d’action décrites dans la Charte d’Ottawa pour la Promotion de la Santé. Dans presque tous les cas, les praticiens ont dû faire des compromis et adapter les données scientifiques à leur cas. Huit leviers clés ont aidé les praticiens à intégrer les données issues de la recherche dans la pratique : la pertinence locale et culturelle des données, le développement des capacités au niveau communautaire, un dialogue continu avec l’ensemble des parties prenantes dès le début, des partenariats bien établis et soutenus par le milieu universitaire, une communication qui réponde à l’opportunité politique et organisationnelle, la reconnaissance et la prise de conscience des fossés qui existent entre les données probantes et la pratique, le plaidoyer et enfin, des ressources appropriées et spécifiquement réservées. Ces études de cas apportent la preuve qu’il existe bel et bien une promotion de la santé fondée sur des preuves, que ces preuves sont larges et que les praticiens utilisent différentes stratégies pour les adapter à leur cas.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.199 | 0.354 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.003 |
| Bibliometrics | 0.011 | 0.018 |
| Science and technology studies | 0.007 | 0.025 |
| Scholarly communication | 0.018 | 0.022 |
| Open science | 0.006 | 0.013 |
| Research integrity | 0.006 | 0.010 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".