Le Centre de collaboration nationale sur les politiques publiques et la santé au temps de la COVID-19 : développer les compétences pour «rebâtir en mieux»
Bibliographic record
Abstract
Ce deuxième article d’une série sur les six Centres de collaboration nationale en santé publique porte sur le Centre de collaboration nationale sur les politiques publiques et la santé (CCNPPS), un centre d’expertise, de synthèse et de partage des connaissances qui soutient les acteurs de la santé publique au Canada dans leurs efforts d’élaboration et de promotion de politiques publiques favorables à la santé. L’article présente brièvement le mandat du CCNPPS et sa programmation, en mentionnant quelques-unes des ressources particulièrement pertinentes dans le contexte actuel de la maladie à coronavirus 2019 (COVID-19). Il s’attarde ensuite aux adaptations apportées à la programmation du CCNPPS pour répondre aux besoins changeants des acteurs de la santé publique au fil de la pandémie. Ces besoins ont été fortement liés aux décisions visant à contenir la propagation du virus SRAS-CoV-2 et à mitiger ses impacts immédiats dans les différents secteurs de la société depuis le début de la crise. Des besoins ont aussi progressivement émergé en lien avec la contribution attendue de la santé publique pour informer le développement de politiques publiques qui permettront de « rebâtir en mieux » nos sociétés lors du rétablissement de la pandémie. L’article se termine en mentionnant les orientations du CCNPPS pour ses travaux à venir dans un contexte de sortie de crise de la COVID-19.
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 | 0.051 | 0.043 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.014 | 0.010 |
| Scholarly communication | 0.014 | 0.007 |
| Open science | 0.004 | 0.025 |
| Research integrity | 0.006 | 0.010 |
| Insufficient payload (model declined to judge) | 0.018 | 0.003 |
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".