Le partage des renseignements de santé dans un contexte de gouvernance informationnelle responsable
Bibliographic record
Abstract
L’amelioration de la performance des systemes sociosanitaires est un enjeu majeur pour tous les Etats et le Quebec ne fait pas exception (Fleury et al., 2018). Depuis la creation de son regime public de soins de sante au tournant des annees ’70, de nombreuses reformes ont ete discutees et implantees afin de tenter d’en rehausser l’efficacite et l’efficience (Fleury et al., 2018). Ces reformes ont generalement porte sur la maniere d’organiser l’acces aux soins et la prestation de services (Rochon, 1988; Clair et al., 2000; Barette, 2015) L’organisation et la gestion de ce systeme sont hautement complexes et engendrent des defis de taille vu le nombre d’acteurs, d’organisations, de professionnels ou simplement vu l’univers des enjeux de sante. Parallelement, la nature meme du regime, de sa mission, de ses objectifs, de ses intrants et de ses extrants fait que sa performance repose en grande partie sur la qualite et l’utilisation de l’information et des donnees qu’il genere. Ceci constitue d’ailleurs le fondement de tous les systemes de sante (Nutley et Reynold, 2013). Au cours des dernieres annees, en raison des progres technologiques, le volume de donnees ne cesse de croitre (Debies, 2018). « La sante, comme tant d’autres domaines de l’activite humaine, s’appuie chaque jour un peu plus sur des dispositifs numeriques et, ce faisant, genere massivement des donnees » (Peugeot, 2018, p. 30). La quantite croissante des donnees de sante entraine des changements fondamentaux aux modeles cliniques, operationnels et commerciaux (Abouelmehdi et al., 2018). Des technologies de pointe, dont le fonctionnement et l’efficacite reposent sur les donnees, ont fait leur apparition et s'imposent de plus en plus comme des incontournables pour ameliorer la prestation de soins.
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 | 0.009 | 0.016 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.012 | 0.011 |
| Scholarly communication | 0.012 | 0.008 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.018 | 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".