Expérience de francophones en Ontario chez leur médecin de famille : concordance et discordance linguistique
Bibliographic record
Abstract
Résumé : Il est possible d’améliorer la santé et les soins de santé de manière efficace par l’entremise de l’amélioration de l’expérience du patient. L’objectif principal de cette étude était de saisir et comprendre l’expérience de patient(e)s francophones chez leur médecin de famille en examinant les effets de la concordance et la discordance linguistique sur cette expérience. La méthode de collecte de données fut inspirée des deux premières étapes de l’approche « Experienced-Based Design » (EBD). Six groupes de discussions ont été organisés dans des communautés fortement francophones du nord de l’Ontario où vingt-neuf participant(e)s ont partagé l’expérience d’une visite chez leur médecin de famille. L’expérience de patient(e)s francophone est caractérisée par de nombreuses émotions, dont plusieurs sont éprouvés en raison de la concordance et la discordance linguistique avec le médecin de famille. La discordance linguistique au service de santé de première ligne suscite une expérience moins favorable en matière de confort, d’accessibilité, de sécurité et de sentiments d’aptitude personnelle. L’offre active de services en français en tenant compte de la préférence linguistique des patients au-delà les apparences du bilinguisme, tout en offrant un environnement de santé de première ligne bilingue (ex. affiches, formulaires) favoriserait une expérience de santé positive pour des Franco-Ontariens.
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 | 0.007 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.005 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".