Stratégies numériques de diffusion auprès des décideurs, des résultats des chercheurs en santé publique
Bibliographic record
Abstract
L’élaboration de politiques fondées sur des données probantes est un phénomène de plus en plus répandu qui encourage les chercheurs et les décideurs à communiquer efficacement entre eux. Les médias digitaux sont censés faciliter les échanges entre les deux acteurs, mais leur disponibilité et leur utilisation n’ont pas encore été examinées en détail. Avec une approche interdisciplinaire, cet article vise à fournir une taxonomie des médias digitaux utilisés par les chercheurs et les décideurs pour partager leurs connaissances dans le domaine spécifique de la santé publique. Dans le cadre de la digital health communication, nous décrivons le web classique, le web 2.0 ainsi que six autres médias digitaux (hypertexte, images, vidéos, audio, infographie et jeux) à disposition des chercheurs et des décideurs en santé. Ensuite, nous discutons des risques et des possibilités liés à la vulgarisation scientifique en ligne pour l’élaboration des politiques de santé. Enfin, nous formulons des recommandations fondées sur la théorie et sur la pratique destinées aux chercheurs afin qu’ils diffusent au mieux les résultats de leurs recherches sur la santé aux décideurs via Internet.
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 | 0.027 | 0.116 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.008 | 0.006 |
| Science and technology studies | 0.003 | 0.008 |
| Scholarly communication | 0.018 | 0.016 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.028 | 0.004 |
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".