Comprendre l’interaction des patients membres d’une communauté virtuelle de santé et son impact sur la relation que le patient entretient avec son médecin
Bibliographic record
Abstract
Cette recherche s’inscrit dans le cadre du développement de la digitalisation de la santé et de l’émergence de communautés virtuelles de santé. Elle vise à étudier les relations causales entre la crédibilité et l’attitude à l’égard de plateformes virtuelles de santé ainsi qu’entre la confiance et l’attitude vis-à-vis du médecin. Un questionnaire a été développé et diffusé en ligne auprès de patients et utilisateurs de communautés virtuelles médicales. Les données collectées ont permis de procéder à des analyses confirmatoires sous SPSS et AMOS pour les équations structurelles. Les résultats montrent que la confiance interpersonnelle émanant des communautés virtuelles de santé entretient une relation positive avec la crédibilité et l’attitude à l’égard de ces communautés virtuelles. Il en est de même pour l’attitude à l’égard du médecin. La crédibilité accordée à ces communautés virtuelles de santé a une relation positive sur l’attitude à l’égard ces plateformes. En revanche, la relation s’avère être négative entre la crédibilité et l’attitude à l’égard du médecin. Enfin, seule l’attitude vis-à-vis du médecin a une relation positive avec la confiance vis-à-vis du médecin. Cette recherche est la première mesurant les relations entre crédibilité, confiance et attitude. Par ailleurs, elle permet de mieux considérer le rôle des utilisateurs des communautés virtuelles de santé et des médecins, afin d’améliorer l’attitude des patients à l’égard des médecins.
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 | 0.006 | 0.036 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.017 | 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".