L’aide médicale à mourir pour les personnes atteintes d’un trouble neurocognitif majeur : analyse des commentaires de participants à une enquête
Bibliographic record
Abstract
Nous avons récemment réalisé une enquête postale panquébécoise pour connaître les attitudes de divers groupes face à l’idée d’étendre l’aide médicale à mourir (AMM) à des personnes en situation d’inaptitude. Nous présentons ici les résultats d’analyses qualitatives des commentaires laissés par les répondants à la fin du questionnaire. Celui-ci avait été posté à quatre groupes cibles : des aînés de 65 ans ou plus (n=621), des proches aidants de personnes atteintes d’un trouble neurocognitif majeur (n=471), des infirmières (n=514) et des médecins (n=653) qui prenaient soin de tels patients au moment de l’enquête. Des 1 050 questionnaires retournés, 420 incluent des commentaires. Ces commentaires ont été codés en rubriques, thèmes et sous-thèmes, et la fréquence des rubriques comparée entre les quatre groupes cibles. Le codage a permis d’identifier 23 thèmes et cinq sous-thèmes que nous avons regroupés en sept rubriques principales : 1) le répondant, 2) l’enquête et son questionnaire, 3) les personnes visées par l’extension, 4) leur proches, 5) le système de santé, 6) le cadre législatif qui balise les soins en fin de vie, et 7) la société en général. Ces rubriques ont été repérées dans les quatre groupes cibles, bien qu’à des fréquences différentes pour cinq d’entre elles. La présente étude met ainsi en lumière une panoplie de facteurs susceptibles d’influencer les attitudes face à l’extension de l’AMM aux personnes inaptes. Elle illustre par ailleurs la valeur ajoutée de soumettre des commentaires à une analyse systématique pour mieux comprendre les résultats d’une enquête postale.
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 | 0.010 | 0.027 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.009 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".