Prendre en compte la santé dans les politiques publiques. Étude d’un régime de gouvernementalité au Québec
Bibliographic record
Abstract
Le secteur de la santé dépasse largement la seule activité de soins et implique une variété de secteurs qui agissent sur les déterminants de la santé. Ainsi, nombre de politiques publiques en santé requièrent une intervention multisectorielle. Nous avons utilisé la perspective de Foucault sur la gouvernementalité pour comprendre une initiative intersectorielle — la prise en compte de la santé dans les politiques publiques — dans le contexte du Québec. Les données proviennent de 61 entretiens avec les gestionnaires et professionnels en charge de son implantation en 2012 et de rapports ministériels afférents. Après avoir considéré chacun des quatre éléments d’un régime de gouvernementalité (l’objet, les cibles, les formes de gouvernement et les régimes de visibilité), nous en dégageons des sous-éléments spécifiques : l’acteur imputable, le type de savoirs mobilisés, la direction du partage des savoirs, les premier, deuxième et troisième cercles de contacts impliqués, la spécificité et la généralité du régime de visibilité et la fréquence et le caractère formel des interactions. Ces sous-éléments peuvent servir de guide pour d’autres études intéressées par l’analyse d’un régime de gouvernementalité.
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 | 0.004 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.007 | 0.006 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".