Le défi du pluralisme ethnoculturel pour l’éthique de la santé publique
Bibliographic record
Abstract
L’éthique de la santé publique a connu un développement marqué au cours des dernières décennies tant au niveau de ses fondements théoriques que du spectre des enjeux sanitaires auxquelles elle s’adresse. Toutefois, une problématique transversale à ces problématiques sanitaires et à ces enjeux éthiques n’a fait l’objet que de très peu d’analyses : l’ajustement des politiques de santé publique au pluralisme ethnoculturel. En dépit de la diversification ethnique croissante et irréversible dans les sociétés pluralistes contemporaines, et malgré la montée des communautarismes et des fondamentalismes religieux, un malaise profond semble poindre, au regard des réticences à aborder franchement ces problématiques. Les enjeux soulevés par ce pluralisme des croyances et des pratiques dans les champs de la prévention et de la promotion de la santé sont généralement masqués par des analyses en termes d’inégalités sociales et économiques et de précarité. Au mieux, on reconnaîtra des difficultés à ajuster ces politiques à la réalité des « immigrants », considérés comme un groupe homogène et en opposition à un « nous » tout aussi mal défini. S’impose alors une réflexion sur les défis, les conditions et les limites de l’élaboration d’une éthique de la santé publique qui serait sensible à la pluralité ethnoculturelle.
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 | 0.028 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.009 | 0.043 |
| Scholarly communication | 0.013 | 0.008 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.006 | 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".