Bibliographic record
Abstract
La personnalisation des services est de plus en plus populaire dans le réseau de la santé et des services sociaux. Plutôt que de piger parmi des offres de services existantes, l’usager coconstruit des services selon ses besoins. Or, malgré les avancées dans ce domaine, peu d’approches de personnalisation des services existent pour répondre aux besoins des communautés. Dans ce texte, nous souhaitons contribuer au champ de la personnalisation des services en l’enrichissant d’une perspective communautaire. Vers cet objectif, nous recensons diverses approches employées en santé publique qui tiennent compte des besoins spécifiques des communautés. Nous déclinons ces approches au moyen d’interventions locales pour illustrer comment elles contribuent au développement d’une perspective communautaire à superposer au modèle actuel de personnalisation des services. Nous soutenons que la fonction promotion de la santé en santé publique permet de relier les individus à leur communauté d’appartenance au sein d’un modèle unique de personnalisation des services. Nous pensons que ce modèle intégré de personnalisation des services permettra d’une part, la coproduction de services individuels et communautaires et d’autre part, qu’il favorisera le rapprochement des acteurs des domaines de la santé publique et des services sociaux autour d’un projet commun de développement de communautés productrices de bien-être.
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 | 0.005 | 0.008 |
| 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 | 0.006 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.015 | 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".