Bibliographic record
Abstract
À partir d’une enquête ethnographique sur l’assistance à mourir au Québec réalisée entre 2015 et 2019, l’auteur explore ce qui est en jeu au cours de l’administration d’une demande d’aide médicale à mourir (AMM). Par la Loi concernant les soins de fin de vie, entrée en vigueur en 2015, l’Assemblée nationale du Québec a légalisé l’AMM, une forme d’euthanasie. En s’appuyant sur des observations de processus d’administration de demandes d’AMM (rencontres entre professionnels, évaluation, administration, groupes de parole) et des entretiens menés auprès de professionnels, de proches et d’une personne demandeuse au sein d’un hôpital de la grande région de Montréal, l’auteur expose comment l’encastrement de l’AMM dans les soins s’appuie sur une éthique en actes qui permet aux personnes engagées dans ces situations de réaliser les quatre conditions de possibilité de cette pratique qu’il identifie. Pour y arriver, ces personnes naviguent entre deux régimes d’action conceptualisés par Luc Boltanski, soit un régime d’amour — qui commande le soulagement immédiat de la souffrance perçue chez une personne singulière — et un régime de justice — qui passe par l’établissement d’équivalences entre une variété de situations. L’article dégage les maximes pratiques, empruntant à ces deux régimes, qui permettent aux acteurs de parvenir à une entente située sur la possibilité d’administrer l’AMM.
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 | 0.008 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.025 | 0.021 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.008 | 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".