Bibliographic record
Abstract
Récemment, pendant un stage à l'hôpital, j'ai traité une patiente âgée (Mme C) qui avait eu un accident vasculaire cérébrale (AVC). Elle parlait dans une langue anglaise si brisée qu'il était difficile de la comprendre et de faire un diagnostic approprié. Mme C m’a informé que son voisin était à l’extérieur lorsqu’elle avait eu son AVC, et il a appelé les Services Médicaux d'Urgence (SMU) car elle ne pouvait pas se lever par elle-même, mais surtout parce qu’elle était sûre que les SMU n’auraient pas compris son accent Français épais au téléphone. Étant moi-même bilingue, je lui ai immédiatement demandé si c’était préférable de continuer la consultation en français. Sans aucune hésitation, elle a répondu avec enthousiasme « Oui, oui, ça me ferait si contente ». Vers la fin de la consultation, Mme C a pris mes deux mains entre les siens et m’a profondément remercié d’avoir fait l’effort supplémentaire d’effectuer son évaluation en Français. Elle m’a informé que c’était la première fois depuis qu’elle avait immigré au Canada, il y a plus de trois décades, qu’elle recevait des soins de santé en Français et qu’elle espérait que ce ne serait pas la dernière. Cette expérience avec Mme C m’a poussé à me demander combien d’autres patients ont enduré ou endureront une situation pareille? Quel est l’ampleur du problème? Comment remédier à cette situation? Quel est l’impact sur la qualité des soins reçus quand le Docteur et le patient ne parlent pas la même langue? Pour répondre à toutes ces questions, j’ai effectué une étude bibliographique approfondie dont les résultats les plus saillants sont mis en relief dans ce qui suit.
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 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.006 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.007 |
| Insufficient payload (model declined to judge) | 0.048 | 0.016 |
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".