Les effets du tourisme médical sur la résilience des systèmes de santé en Afrique
Bibliographic record
Abstract
REMERCIEMENTSLa rédaction de ce mémoire a été une aventure de longue haleine qui n'aurait pas pu voir le jour sans le soutien indéfectible de plusieurs personnes autour de moi.Je voudrais d'abord remercier mon superviseur de recherche, M. Sanni Yaya, sans qui la réalisation de ce mémoire n'aurait été possible.Merci pour le soutien, les nombreux conseils, la disponibilité et, surtout, la flexibilité dont il a su faire preuve à mon égard.J'aimerais également remercier l'Université d'Ottawa pour le soutien financier qui m'a été offert durant ma maîtrise.Je remercie spécialement mes parents, Linda et Guy, ma grand-mère Madeleine, ma marraine Francine et son mari Charles, ainsi que tous les autres membres de ma famille, pour leurs encouragements et leur support lors de la rédaction de ce mémoire.Merci également à ma sœur Catherine pour les journées passées à garder ma fille pour que je puisse terminer ce mémoire.Je remercie mon amie Yasminah pour son soutien, ses encouragements et pour toutes les heures passées en son excellente compagnie durant mes années de maîtrise. Je remercie aussi tonton Aboubacar pour son aide.Enfin, je tiens également à remercier mon conjoint, Alpha, qui a toujours été là pour moi.Il a su me convaincre de continuer à avancer lors de mes découragements et à me féliciter lorsque je terminais chacun des chapitres.Il m'a guidé remarquablement durant cette aventure.La rédaction de ce mémoire n'aurait donc pas été possible sans sa présence, son soutien, ses encouragements et ses idées.Merci pour tout, je t'aime!DÉDICACE À ma fille, Fatoumata Yarie, née durant ma dernière année de maîtrise.J'espère être, pour toi, un modèle à suivre et une source d'inspiration.Je t'aime de tout mon cœur! CHAPITRE IV -LES CONSÉQUENCES DU TOURISME MÉDICAL SUR LA RÉSILIENCE DES SYSTÈMES DE SANTÉ AFRICAINS ..........
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 | 0.018 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.024 | 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".