La note de politique comme outil de transfert de connaissances : pour avoir un impact votre note doit d’abord être lue.
Bibliographic record
Abstract
Les notes de politique : retour sur notre expérience autour d'un outil de transfert des connaissances pour les décideurs et intervenants Depuis 2010, les équipes de recherche avec qui nous travaillons ont produits des dizaines de notes de politique (NP) afin d'informer les différentes parties prenantes des résultats de nos études et de leur utilité pour les pratiques de santé publique et la prise de décision. La préparation de ces notes devrait toujours s'inscrire dans un processus de transfert de connaissances (TC) plus large, car elles ne sont que des outils au service de la prise de décision. Ainsi, souvent, elles servent d'instruments de discussion lors d'ateliers délibératifs (Ridde et Dagenais, 2017) portant sur la manière dont les résultats pourraient être intégrés dans les pratiques et les politiques publiques. Sur la base de ces expériences, nous avons développé un guide de préparation des NP dont nous nous sommes servis à de multiples reprises dans le cadre d'ateliers de formation auprès des chercheurs et dont nous avons évalué les effets. Ces formations ont été offertes dans différents formats d'une durée allant de trois heures à deux jours. Dans cet éditorial, nous nous basons sur ces différentes expériences pour proposer un format de note de politique qui s'adresse à un public non-chercheur et qui vise à influencer les pratiques et la prise de décision. Les notes de politique : de quoi parle-t-on? Le terme note de politique peut désigner plusieurs types de document et de nombreux termes sont utilisés pour les qualifier: Note technique, Note d'orientation, Evidence brief, Evidence summaries, Research snapshot ... Les définitions qu'on leur donne varient tout autant. On pourrait placer ces définitions sur un continuum du plus « neutre » au plus « interventionniste », mais les deux sont toujours fondés sur des données probantes. La NP « neutre » présente des informations nuancées pour donner un portrait global de la situation au sujet d'une problématique donnée (Moat et al., 2014). La NP plus « interventionniste » propose des solutions à un problème et vise un changement rapide (Arcury et al., 2017; Young et Quinn, 2012). Le modèle proposé par le groupe EVIPNet 1 , est un bon exemple de NP qui se veut neutre. Ce réseau utilise plutôt le terme Evidence brief qu'il définit comme un : « résumé, qui est adapté au contexte spécifique, de ce qui est connu selon une étude ou une revue systématique à propos d'une problématique, de trois options pour résoudre cet enjeu ainsi que les considérations pour leur mise en oeuvre […] les données inclues sont plus souvent des revues systématiques que des études uniques » (Lavis, 2017). La plupart de ces notes contiennent généralement une vingtaine de pages très denses, mais parfois beaucoup plus 2 et ne contiennent jamais de recommandations pour l'action. Pourtant, Avey et Desh (2014) ont démontré que « les décideurs ne lisent pas les articles dépassant 10-15 pages » et notre expérience dans plusieurs contextes depuis 2010 montre que c'est bien moins. De plus, certains appellent à la prudence et affirment qu'il faut éviter de bombarder les décideurs de données probantes (Cairney et Kwiatkowski, 2017). 1 EVIPNet is « a network established by the World Health Organization to promote the systematic use of research evidence in health policy-making » et est financé par l'OMS. 2 Voir par exemple :
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 | 0.038 | 0.081 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.018 | 0.028 |
| Scholarly communication | 0.022 | 0.024 |
| Open science | 0.003 | 0.020 |
| Research integrity | 0.006 | 0.018 |
| Insufficient payload (model declined to judge) | 0.031 | 0.006 |
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".