Le renoncement aux soins : un phénomène aux ressorts économiques mais aussi sociaux
Bibliographic record
Abstract
Le renoncement aux soins participe des inégalités sociales de santé. Il a été beaucoup étudié sous l’angle du coût des soins. Or des études qualitatives pointent aussi l’impact des liens sociaux sur les comportements de santé. L’objet de cet article est de mesurer les différents déterminants du renoncement à partir de l’enquête statistique sur les ressources et les conditions de vie des ménages (SRCV) de 2013, comportant un module spécifique sur les contacts sociaux. Nous modélisons d’abord la probabilité de renoncer à des soins quel qu’en soit le motif, en fonction de différents types de ressources, économiques et sociales, puis nous estimons ce même modèle sur trois types de renoncement : pour raisons financières, logistiques ou pour d’autres raisons. Toutes choses égales par ailleurs, être pauvre en conditions de vie multiplie par six le risque de renoncer à des soins pour raisons financières, mais joue également positivement sur les deux autres types de renoncement. Plus la personne cumule des difficultés de sociabilité, plus elle est susceptible de renoncer à des soins, quel que soit le motif de renoncement, révélant l’importance des ressources sociales au-delà des ressources économiques.
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 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.005 | 0.008 |
| Scholarly communication | 0.004 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".