Validation française du Health Education Impact Questionnaire (HEIQ) auprès d'une clientèle avec maladies chroniques en soins de première ligne
Bibliographic record
Abstract
Ce mémoire présente les résultats d’une recherche portant sur la traduction transculturelle québécoise française de l’instrument de mesure Health Education Impact Questionnaire (heiQ) développé par Osborne et son équipe en Australie (2007). Cet instrument de mesure vise à évaluer les effets d’un programme en autogestion et en empowerment pour la clientèle avec maladies chroniques. Un processus de traduction rigoureux a été utilisé afin de préserver la validité du heiQ. Premièrement, deux traductrices indépendantes ont fait une traduction du questionnaire de l’anglais vers le français puis du français vers l’anglais. Ensuite, un comité formé de chercheurs et de professionnels de la santé experts dans le domaine des maladies chroniques a révisé la version traduite en français. \nEn troisième étape, dix personnes représentant la clientèle visée par le heiQ ont été interpelées afin de vérifier la validité apparente de l’instrument traduit. Finalement, la version française du heiQ a été administrée à 332 personnes pour examiner ses qualités métrologiques, plus précisément sa consistance interne, sa stabilité temporelle et sa validité concomitante. \nLa version française obtenue du heiQ a démontré de très bonnes qualités métrologiques. Il pourra donc être utilisé dans d’autres recherches ayant besoin d’un questionnaire français validé en contexte québécois pour évaluer l’effet d’interventions auprès de la clientèle ayant des maladies chroniques en première ligne.
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 | 0.019 | 0.025 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".