Bibliographic record
Abstract
Depuis une quinzaine d’années, des outils numériques ont été développés dans le domaine de la santé. C’est le cas des téléconsultations, c’est-à-dire des consultations à distance. Le contexte exceptionnel de la crise sanitaire nous invite à réinterroger les enjeux que soulèvent ces outils sous un regard nouveau, en considérant le contexte inédit comme potentiel facteur de transformations des pratiques médicales et les usages des outils de téléconsultation. L’objectif de cet article est ainsi de répondre à la question suivante : quelle est la place des outils de téléconsultation dans un contexte de crise sanitaire comme celle de 2020 ?Pour y répondre, nous nous appuierons sur les témoignages de médecins généralistes que nous avons recueillis lors d’une enquête menée à partir de mars 2020 et durant la période du premier confinement en France. Nous avons mené cette étude en nous intéressant particulièrement aux discours de ces médecins ainsi qu’à leurs usages des outils de téléconsultation. La crise du système de santé d’une part et la crise sanitaire d’autre part ont poussé les politiques de santé publique à développer l’usage de nouveaux outils de téléconsultation. Ce contexte a également obligé les médecins eux-mêmes à adapter leurs pratiques professionnelles. Les téléconsultations ont alors offert un moyen pour ces médecins de gérer une situation de crise et de pallier les carences du système de soins. Mais les dispositifs, aussi novateurs soient-ils, ne sont pas hermétiques au contexte dans lesquels ils s’inscrivent. Les problèmes liés aux inégalités de santé, aux cadres législatifs, aux manques de moyens dans la santé sont en réalité prolongés au-delà des situations de soins traditionnelles jusqu’au pratiques numériques. La crise sanitaire, loin d’être en rupture avec ces difficultés, les prolonge dans un contexte de pandémie et de confinement. La crise sanitaire apparait alors comme un révélateur des tensions entre les bénéfices et les risques que soulèvent ces dispositifs.
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 | 0.006 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.013 | 0.012 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.016 | 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".