La dénonciation infirmière en contexte de pandémie de COVID-19: une analyse de contenu de la plate-forme « Je dénonce »
Bibliographic record
Abstract
La divulgation d’enjeux critiques par le personnel soignant constitue une part essentielle de la bonne marche de tout système de santé. En contexte de pandémie, la communication rapide d’informations critiques est indispensable à l’identification et à la résolution de problèmes. Or, une telle communication est difficile en contexte de crise. Des témoignages d’infirmières, d’infirmières auxiliaires et d’autres professionnels de la santé, indiquent que des signalements réalisés dans des milieux de soins aux prises avec la COVID-19 se sont soldés par l’absence de mesures correctives et, dans certains cas, des représailles envers les personnes divulgatrices. Au Québec, ce contexte de crise a mené à la mise en service d’une plate-forme en ligne par une instance syndicale. Celle-ci sert à recueillir des témoignages de professionnels de la santé et de membres du public et à les rendre rapidement disponibles à la population et aux médias. Cet article présente les résultats d’une analyse de contenu des témoignages soumis par des infirmières et infirmières auxiliaires afin, d’une part, de constater la teneur des enjeux dénoncés et, d’autre part, d’examiner l’utilité de ce type de plate-forme dans les démarches de dénonciations entreprises par le personnel infirmier.
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 | 0.014 | 0.031 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.021 | 0.021 |
| Scholarly communication | 0.013 | 0.006 |
| Open science | 0.003 | 0.011 |
| 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".