L’analyse de contribution pour évaluer l’impact de la démarche ÉIS sur les processus décisionnels municipaux : un choix méthodologique intéressant ?
Bibliographic record
Abstract
La pertinence de l'évaluation d'impact sur la santé (ÉIS) pour promouvoir le développement de politiques publiques favorables à la santé au sein des municipalités est de plus en plus reconnue. L'appréciation des effets d'une démarche d'ÉIS sur les processus décisionnels d'acteurs municipaux peut toutefois être difficile en raison de la multitude d'influences sociales, économiques, géographiques et personnelles auxquels ils sont soumis. Dans un tel contexte, l'approche évaluative de l'analyse de contribution (AC) s'avère particulièrement intéressante puisqu'elle permet de documenter les facteurs menant à l'efficacité d'une intervention en tenant compte des éléments du contexte. Elle aide l'évaluateur à comprendre comment et pourquoi une intervention fonctionne. Le présent article utilise l'étude de cas pour explorer la faisabilité et l'efficacité de l'AC pour apprécier les effets de démarches d'ÉIS sur le processus décisionnel d'acteurs municipaux. Il décrit les stratégies de collecte et d'analyse de données utilisées auprès de trois municipalités de la Montérégie, au Québec. Cette analyse critique montre que l'AC est pertinente dans le contexte décrit. Elle permet d'établir des associations claires et transparentes entre l'intervention, soit la démarche d'ÉIS, et l'importance accordée à la santé par les acteurs municipaux. Elle assure la prise en compte des facteurs d'influence contextuels et offre la flexibilité nécessaire pour adapter la collecte de données à la réalité du terrain. Néanmoins, la lourdeur de l'approche peut en contraindre l'application et certaines limites méthodologiques ont été observées au niveau de l'analyse des données. Les stratégies mises de l'avant pour y remédier sont décrites.
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 | 0.080 | 0.152 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| 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".