L’utilisation des groupes de discussion dans l’élaboration des politiques de santé
Bibliographic record
Abstract
Cette étude empirique apporte un premier éclairage sur l’utilisation croissante des groupes de discussion (GD) dans la recherche sur l’opinion publique (ROP) commanditée principalement par Santé Canada. À la suite d’une recension des écrits concernant les GD, nous comparons l’utilisation de cette technique dans trois secteurs qui ont suscité un haut niveau d’activité de ROP principalement à Santé Canada entre 1995 et 2007 : la lutte contre le tabagisme, la biotechnologie et l’avenir du système de santé. Nous répondons aux questions suivantes : Quel emploi fait-on de cette technique par rapport aux sondages ? Comment les données produites par les GD sont-elles utilisées dans l’élaboration des politiques publiques en santé ? Quelle est la qualité des résultats des GD ? Les résultats proviennent d’une analyse de contenu de trois corpus de données : des rapports de recherche et des instruments politiques, des entrevues avec des intervenants et des décideurs gouvernementaux ainsi que des données d’archives. Nous constatons que Santé Canada utilise les GD en solo et en combinaison avec des sondages à des fins instrumentale, conceptuelle et stratégique dans l’élaboration, la mise en oeuvre et l’évaluation des politiques publiques.
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 | 0.172 | 0.250 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.014 | 0.017 |
| Science and technology studies | 0.015 | 0.031 |
| Scholarly communication | 0.020 | 0.019 |
| Open science | 0.004 | 0.015 |
| Research integrity | 0.006 | 0.006 |
| Insufficient payload (model declined to judge) | 0.022 | 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".