Bibliographic record
Abstract
Le programme Choisir avec soin vise à favoriser une utilisation plus efficace des ressources en soins de santé. D’une part, le programme invite les patients à aligner leurs attentes sur des données probantes en ce qui a trait aux prestations de soins de santé; d’autre part, il vise à accroître les connaissances des médecins quant aux directives fondées sur des données probantes en ce qui a trait au recours à des examens et traitements. Dans le présent numéro de la RCMIG, une étude nous rapporte que la connaissance que les médecins ont de Choisir avec soin ne s’avère pas très encourageante. En effet, beaucoup de médecins déclarent connaître le programme Choisir avec soin, mais nombre d’entre eux n’auraient qu’une connaissance limitée des messages spécifiques visant à guider leur pratique selon des données probantes. Puisque les résultats de cette étude reposent sur les 33 % de médecins qui ont accepté de répondre, on est en droit de se demander s’il n’y aurait pas une méconnaissance encore plus grande du programme chez les autres (67 %) qui ont décliné de répondre.
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 | 0.024 | 0.083 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.010 | 0.012 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.005 | 0.011 |
| Insufficient payload (model declined to judge) | 0.026 | 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".