Bibliographic record
Abstract
Dans un contexte sociétal de déclin démographique et de stagnation économique, l’optimisation des dépenses dévolues à la santé et à la solidarité représente l’un des principaux enjeux actuels pour une puissance publique régulièrement mise en demeure de réduire son déficit. Par conséquent, la recherche d’efficience (d’évaluation et de benchmarking ) constitue l’un des moteurs les plus puissants et les plus déterminants de l’évolution des politiques publiques en la matière. L’évolution des mœurs plaide également pour une meilleure prise en compte des droits des personnes bénéficiaires et de leur projet de vie ; des personnes qui souhaitent être davantage actrices de leur parcours et non plus dépendre entièrement d’institutions historiques. Bref, le défi à venir est de diminuer les coûts des opérateurs par tous les moyens en recherchant des solutions alternatives aux réponses actuelles qui s’avèrent trop dispendieuses et de plus en plus inadéquates. La contribution brosse le paysage des orientations publiques et leurs enjeux, aborde leurs conséquences sur les formes d’accompagnement et d’organisation qui sont en devenir au sein des opérateurs sociaux et médico-sociaux – des opérateurs désormais soumis comme les autres acteurs aux principes de performance et de concurrence.
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 | 0.064 | 0.115 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.015 | 0.019 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.016 | 0.009 |
| Open science | 0.003 | 0.011 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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".