L’Enquête québécoise sur les limitations d’activités et l’enquête Handicaps, incapacités, dépendance : deux enquêtes cousines et différentes
Bibliographic record
Abstract
Les enquêtes de population consacrées aux situations de handicap posent des défis tant sur le plan conceptuel qu’opérationnel. Cet article compare deux enquêtes, l’Enquête québécoise sur les limitations d’activités (EQLA) au Québec et l’enquête Handicaps, incapacités, dépendance (HID) en France. Malgré des approches conceptuelles très voisines, les deux enquêtes ont opté pour des méthodes différentes face aux défis posés par ce type d’enquêtes. La stratégie d’échantillonnage pour le filtrage de la population à l’étude retient particulièrement l’attention. Les deux approches conduisent d’ailleurs à des résultats assez différents pour des incapacités semblables (vision, audition, mobilité, etc.). Ces écarts sont mis en lien avec les différences de méthodes, surtout lorsqu’il s’agit d’incapacité légère: les estimations touchant les incapacités les plus graves semblent concorder davantage. L’article examine aussi l’exploitation de ces enquêtes et met en relief leurs forces respectives pour des comparaisons dans le temps, entre populations, ou pour l’estimation de résultats locaux. La conclusion souligne la complexité de la mesure des situations de handicap, la nécessité de tenir compte des méthodes utilisées et de poursuivre les efforts visant au développement de ces enquêtes pour faciliter, entre autres, les comparaisons internationales.
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 | 0.018 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.008 | 0.004 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| 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".