Bibliographic record
Abstract
Notre société fait face à de nombreux risques qui affectent des vies humaines. Les autorités publiques doivent donc déterminer le budget optimal à consacrer à chaque projet visant à diminuer ces risques sociaux. L’analyse avantages-coûts est un outil très utilisé pour l’évaluation de ces projets. La tâche du gouvernement est de mettre en place des projets ou des réglementations qui génèreront des bénéfices supérieurs aux coûts de leur implantation. Les coûts sont habituellement assez faciles à déterminer, mais comment évaluer les bénéfices reliés à la sauvegarde de vies humaines? Depuis les années soixante-dix, le nombre d’études réalisées sur la mesure de la valeur statistique d’une vie humaine (VSV) est impressionnant. Plusieurs valeurs ont été estimées, et ce, à l’aide de différentes méthodes. La difficulté des gouvernements à choisir une valeur provient de la grande variabilité dans les résultats obtenus. En effet, lesVSVobservées varient de 0,5 million de dollars jusqu’à 50 millions de dollars ($ US 2000). L’objectif principal de cet article est d’aider à comprendre d’où vient cette grande variabilité dans les résultats. Nous voulons aussi déterminer quelle valeur nous semble la plus raisonnable.
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 | 0.015 | 0.068 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".