La littératie en santé, une compétence en mal de traitement
Bibliographic record
Abstract
Contexte: Selon les résultats d'enquêtes récentes sur la littératie chez les adultes, plus de la moitié des Canadiens adultes et près de 90 % des personnes âgées ne possède pas un niveau de littératie assez élevé pour bien comprendre la posologie de médicaments ni les consignes de sécurité qui leur sont données. Par ailleurs, la situation se détériore avec l'âge mais aussi avec l'état de santé : plus on est malade et moins le niveau de littératie en santé est élevé. Les résultats suggèrent également que des problèmes de littératie en santé se retrouvent à tous les niveaux d'éducation. Exégèse: Or, le niveau de littératie en santé est le meilleur prédicteur de l'état de santé d'une personne. Il a été observé que les difficultés de lecture semblent avoir une influence sur l'observance, le respect des traitements, l'hospitalisation, la compréhension de la maladie et la compréhension du consentement aux soins. Conclusion: Les professionnels de la santé sont conscients depuis peu de l'importance de ces enjeux. Après avoir développé une expertise médicale, il est maintenant suggéré que le médecin en développe une nouvelle, non pour s'adresser à ses pairs mais pour s'adresser à son patient qui, une fois sur deux, ne possède pas le niveau de littératie en matière de santé nécessaire pour comprendre.
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 | 0.006 | 0.030 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
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".