Renforcement des données probantes et des mesures relatives aux partenariats plurisectoriels en santé publique : un projet derecherche-action
Bibliographic record
Abstract
Introduction L’initiative Partenariats plurisectoriels de l’Agence de la santé publique du Canada, gérée par le Centre de prévention et de contrôle des maladies chroniques (CPCMC), réunit différents partenaires en vue de concevoir, de mettre en oeuvre et de faire progresser des approches novatrices visant à améliorer la santé de la population. Cet article décrit l’évolution et les premières priorités d’un projet de recherche-action (stratégie d’apprentissage et d’amélioration) dont l’objectif est de faciliter l’amélioration continue de l’initiative de partenariat du CPCMC et de contribuer aux données probantes sur les partenariats plurisectoriels. Méthodologie La stratégie d’apprentissage et d’amélioration du CPCMC pour les partenariats plurisectoriels repose sur les consultations avec le personnel et la haute direction du CPCMC et sur l’examen de cadres conceptuels liés aux partenariats plurisectoriels. Les consultations ont porté sur l’élaboration de l’initiative plurisectorielle, ses obstacles, ses facteurs de réussite et ses indicateurs d’efficacité. Nous avons fait une revue de littérature et consulté la littérature grise en appliquant une stratégie de recherche systématique puis nous avons résumé nos conclusions sous forme de comptes rendus. Résultats Les consultations et l’examen de la littérature ont souligné l’importance de comprendre l’incidence des partenariats, d’élaborer une vision commune, de mettre en oeuvre un système partagé de mesures et de créer des occasions d’échange de connaissances. C’est dans cette perspective que nous proposons une stratégie d’apprentissage et d’amélioration en six volets : 1) donner la priorité aux besoins en matière d’apprentissage, 2) relier les besoins aux données probantes, 3) utiliser des méthodes de collecte de données pertinentes, 4) analyser et synthétiser ces données, 5) fournir une rétroaction aux membres et aux équipes du CPCMC et 6) agir. Les premiers besoins en matière d’apprentissage concernent la portée des partenariats et les répercussions non anticipées des partenariats plurisectoriels sur les individus, les équipes, les organismes et les communautés. Conclusion Bien que principalement destinée au CPCMC, la stratégie d’apprentissage et d’amélioration pourrait s’avérer tout aussi pertinente pour d’autres publics, notamment d’autres ministères ou organismes externes intéressées à saisir et partager de nouvelles connaissances sur les partenariats plurisectoriels.
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 | 0.172 | 0.160 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.006 | 0.005 |
| Scholarly communication | 0.015 | 0.010 |
| Open science | 0.005 | 0.012 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.013 | 0.003 |
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".