Contribution des acteurs régionaux à la réduction des inégalités sociales de santé : le cas de la France
Bibliographic record
Abstract
Depuis le rapport de la Commission sur les Déterminants Sociaux de la Santé, plusieurs pays ont commencé à intégrer à leurs plans de santé la question des déterminants et de leur impact sur les inégalités de santé. En France, la création des Agences Régionales de Santé en 2009 est considérée comme une opportunité pour agir sur les inégalités sociales de santé (ISS) avec les instances régionales, départementales et locales qui détiennent les leviers appropriés. A la suite d'une analyse thématique des projets régionaux de santé, visant à identifier l'intégration des ISS ainsi que les approches retenues pour les aborder, quatre régions ont été étudiées plus finement. Des entretiens collectifs et individuels ( N = 45 interviewés) ont été menés auprès d'acteurs de terrain et institutionnels, afin de mieux comprendre et identifier les types de programmes et processus pour réduire les ISS. Nos analyses font ressortir une prise en compte généralisée des ISS dans les documents de planification et de programmation des instances régionales, des stratégies régionales qui restent centrées sur les populations vulnérables avec une faible considération du gradient social, l'existence d'instances de concertations intersectorielles dans les quatre régions qui constituent un potentiel de gouvernance important à mieux exploiter, l'existence de modalités de suivi et d'évaluation des ISS qui restent à consolider, et une forte mobilisation de plusieurs secteurs dans les processus régionaux de consultation des publics et des acteurs, mais des résultats variables, souvent reliés au niveau de ressources investies et des approches privilégiées. L'analyse de ces expériences françaises démontre un intérêt croissant pour l'action sur les déterminants sociaux de la santé et les ISS ; mais leur opérationnalisation, toujours en cours, appelle à des analyses plus fines qui permettront de mieux éclairer les politiques publiques.
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 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".