Bibliographic record
Abstract
Pour ce numéro, nous vous offrons une entrevue avec Jules Brodeur, médecin et toxicologue qui a été un pilier dans le domaine de la toxicologie industrielle au Québec et ailleurs dans le monde. C’est pourtant dans le domaine de la pharmacologie qu’a débuté sa carrière à la fin des années 50. D’abord professeur au département de pharmacologie de l’université de Montréal, il se consacre à la recherche fondamentale pendant de nombreuses années. En 1976, il devient le directeur du département de médecine du travail et d’hygiène des milieux, un milieu de formation pour les professionnels de la médecine du travail, de la toxicologie industrielle et de la santé environnementale.Auteur de plus d’une centaine d’articles et de près de 150 communications scientifiques, il a toujours cependant eu à cœur son mandat de formation. Il a ainsi supervisé les travaux de plus 40 étudiants gradués à la maîtrise et au doctorat et vu près de 110 étudiants diplômés du Diplôme d’Études Supérieures en Toxicologie qu’il a instauré à ce département. Jules Brodeur s’est mérité au cours de sa carrière de nombreux prix et nominations, mais les personnes qui l’ont côtoyé vous diront que sa gentillesse, son ardeur au travail et sa grande disponibilité sont ce qu’on l’on retient avant tout de lui. À la retraite depuis un an, la revue PISTES a voulu le rencontrer pour qu’il nous explique son cheminement de carrière et ses réflexions actuelles sur la toxicologie industrielle.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.008 |
| Insufficient payload (model declined to judge) | 0.061 | 0.023 |
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".