L’évaluation d’impact sur la santé en Montérégie : un processus appuyé sur le courtage de connaissances
Bibliographic record
Abstract
Le présent article fait état du modèle de soutien à la prise de décision appliqué à l'évaluation d'impact sur la santé (EIS) en Montérégie, au Canada. Pour répondre à la volonté de soutenir l'élaboration de politiques et projets municipaux favorables à la santé et fondés sur les données probantes, la Direction de santé publique a mis en œuvre une démarche d'EIS dont les fondements pratiques s'inspirent des expériences internationales en matière d'EIS et dont les assises théoriques reposent sur le partage et le courtage de connaissances. L'expérience montérégienne démontre que la stratégie de courtage de connaissances appliquées à l'EIS encourage un partage respectueux des responsabilités et rôles de chacune des parties prenantes et favorise l'utilisation des connaissances de santé publique dans la prise de décision municipale. Le courtage des connaissances permet de prendre en compte les enjeux locaux dans les analyses d'impact et dans les recommandations aux décideurs. En conclusion, il s'avère que l'implication des décideurs municipaux à la recherche de solutions favorables à la santé permet d'inscrire les données probantes à l'intérieur des processus décisionnels et d'observer leur utilisation à plusieurs niveaux. L'évaluation des premières expériences d'EIS révèle en effet que les connaissances partagées répondent à des besoins immédiats engendrant leur utilisation directe, contribuent à des changements de perception et de pratique à plus large échelle et font de la santé une valeur reconnue par les décideurs publics et promue auprès de leurs citoyens pour accroître l'acceptabilité des initiatives municipales.
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 | 0.033 | 0.050 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.009 | 0.008 |
| Scholarly communication | 0.016 | 0.005 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 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".