Bibliographic record
Abstract
Le but de la présente thèse est d'investiguer la dynamique interactive se produisant lorsque des professionnels de la santé collaborent dans un dossier médical. La théorie de l'échange social et la littérature sur la collaboration et le travail en équipe a servi de base théorique à partir de laquelle l'interaction a été investiguée. Treize professionnels de la santé ainsi qu'un patient ont participé à cette étude. Ces participants ont collaboré à établir un programme de soins interprofessionnels durant deux séances de travail. Leur interaction a été filmée et enregistrée. Les enregistrements vidéos et audio ont été retranscrits et analysés à l'aide du système d'analyse des interactions de Roter (RIAS), une méthode très usitée afin de développer une méthode pour analyser la dynamique des relations entre patient et docteur. Les données ont été analysées grâce à la méthode standardisée khi carré. La recherche a montré que, même si le RIAS demeure utile, les catégories initiales du RIAS exigeaient de vastes suppléments avec des items répondant spécifiquement à l'interaction interprofessionnelle. Un examen des catégories comportant des variables indique que la majorité des interactions était liée aux tâches et que les schémas des réponses variaient selon que les catégories étaient groupées en fonction du participant, des ateliers de groupes, ou de la profession. Cette étude a démontré qu'il est possible de déterminer le niveau d'interprofessionnalisme dans les interactions en utilisant un scénario qui est plus valide écologiquement que celui offert dans des questionnaires d'attitude complétés individuellement. La thèse offre une méthodologie permettant de tenir compte de la croissance de l'interprofessionnalisme dans la communication entre professionnels de la santé ou d'autres secteurs dans le cadre de leur travail.
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 | 0.024 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".