Regard des professionnels de la santé et des gestionnaires francophones d’Iqaluit (Nunavut) sur le capital social et la santé.
Bibliographic record
Abstract
L’accès aux soins de santé est un enjeu au Canada, particulièrement dans les communautés rurales et éloignées. Cette situation représente un double défi pour les francophones d’Iqaluit au Nunavut : avoir accès à des soins et à des services de santé, mais aussi avoir accès à ces services dans sa langue. Or, selon le concept de capital social, les réseaux de relations sociales permettent d’avoir accès aux ressources nécessaires au développement des individus et des communautés. À partir du modèle conceptuel Capital social dans les communautés francophones en situation minoritaire, développé par Louise Bouchard et Anne Gilbert (2005), nous avons procédé à une analyse thématique et à une analyse textométrique des discours que tiennent des professionnels de la santé et des services sociaux et des gestionnaires francophones d’Iqaluit afin de relever les facteurs qui entrent en jeu dans la construction de leur « capital social » et de mettre au jour la dynamique qui anime cette communauté territoriale de langue officielle en situation minoritaire (CLOSM). Les résultats révèlent que les réseaux sociaux qui se créent au sein de la communauté francophone d’Iqaluit facilitent l’intégration des migrants francophones qui décident de venir s’installer à Iqaluit. Ces réseaux sociaux, particulièrement développés chez les familles qui comptent de jeunes enfants, offrent des moyens de briser l’isolement, tout en aidant les individus à composer avec l’espace – tant géographique que temporel – qui façonne la vie à Iqaluit. Malgré ses limites, cette étude ouvre la voie à d’autres recherches qui, à l’aide de données sur la santé des francophones d’Iqaluit, permettraient de cerner l’incidence du capital social sur la santé des individus, de la communauté ou des collectivités.
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
Direct model labels (unvalidated)
Per-model category and study-design labels from the labeling rounds. They are machine output, unvalidated, and the disagreement between models ships as data. No study design here is MEDLINE-validated yet.
| Model arm | Categories | Study design | Confidence |
|---|---|---|---|
| gemma | no category Domain: not available · Genre: Empirical About the Canadian research system: no · About a Canadian topic: yes | Qualitative | low |
| gpt | no category Domain: not available · Genre: Empirical About the Canadian research system: no · About a Canadian topic: no | Qualitative | low |
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.008 | 0.004 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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, unvalidatedLabeled directly by 2 models reading the full record.
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".