Nouvelles contributions de l’approche qualitative dans l’évaluation des interventions en santé mondiale
Bibliographic record
Abstract
Dans le champ de l’évaluation des interventions en santé, l’usage du qualitatif est souvent limité à la compréhension des perceptions des acteurs impliqués dans les interventions ou l’analyse des processus mis en branle. Des entretiens ou des discussions de groupes sont organisés pour comprendre la perspective des acteurs. Cette approche est importante à l’analyse des interventions et mérite d’être développée et poursuivie. Cependant, elle reste assez traditionnelle et classique. Dans cet article, nous souhaitons partager plutôt notre expérience de tentatives d’innovations méthodologiques dans l’usage du qualitatif pour l’évaluation des interventions en santé mondiale. Nous présentons quatre exemples innovants i) comprendre la fidélité d’une intervention, ii) analyser l’hétérogénéité des effets, iii) appréhender les effets sociaux et iv) étudier les conséquences non intentionnelles d’une intervention. À partir de ces quatre exemples, nous décrivons comment les méthodes qualitatives ont été mobilisées pour répondre à nos questions d’évaluation. Nous montrons également la pertinence et les défis d’utiliser ces méthodes.
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 | 0.257 | 0.284 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.007 | 0.015 |
| Scholarly communication | 0.014 | 0.013 |
| Open science | 0.003 | 0.007 |
| Research integrity | 0.003 | 0.006 |
| 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".