La géographie du don de sang au Québec : quelles variations régionales ?
Bibliographic record
Abstract
Les travaux sur le don de sang ont jusqu’à maintenant privilégié l’étude des variables individuelles d’un point de vue démographique et psychologique (les motivations au don, par exemple). Pourtant, les notions actuelles de géographie sociale et de la santé sont tout à fait à propos pour l’étude des donneurs de sang québécois. Cette étude vise trois objectifs principaux : 1) analyser la répartition spatiale des dons de sang au Québec ; 2) analyser les distances séparant les lieux de résidence des lieux de collecte ; 3) mettre en relation le profil sociodémographique des municipalités régionales de comté (MRC) avec les nombres de donneurs et les fréquences de dons de sang. La méthode fait appel aux systèmes d’information géographique et à la statistique descriptive (corrélation, analyse de classification) pour explorer la géodémographie du don de sang sur une période de cinq ans (2003-2008). Les résultats mettent en valeur le rôle de certaines variations régionales entre les milieux urbains et ruraux et démontrent l’apport important des banlieues dans la réserve collective de sang. À partir de ces constats, certaines pistes de réflexion et d’action sont avancées, toutes en lien avec l’objectif ultime d’assurer un approvisionnement de sang continu et à long terme.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.009 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".