Réduire les inégalités sociales de santé : aporie, épistémologie et défis
Bibliographic record
Abstract
Après une longue période d’oubli, la problématique des inégalités sociales de santé figure aujourd’hui comme un axe de réflexion incontournable des conférences internationales sur la santé des populations (Ridde, Guichard, Houéto, 2007). S’il faut bien entendu se réjouir de la multiplication des échanges sur ces questions, a priori favorables à l’émergence de nouvelles mesures pour infléchir la permanence des inégalités de santé, la « vacuité » des propos tenus, dès que l’on s’avance sur le délicat terrain des interventions visant à réduire les inégalités sociales de santé, ne saurait échapper à celles et ceux qui suivent l’actua- lité scientifique sur ce sujet. Les participants de la 19e conférence mondiale de l’Union internationale de promotion de la santé et d’éducation pour la santé n’ont pu l’ignorer en juin 2007 à Vancouver. En effet, si tout le monde s’entendait sur l’urgence qu’il y avait à agir, il a bien fallu, de nouveau, faire l’amer constat de la modestie des connaissances acquises autour des stratégies et des actions efficaces pour lutter contre ces inégalités. Le ton ne se veut pas celui du reproche, car la difficulté d’intervenir est proportionnelle à la complexité des méca- nismes qui façonnent les inégalités devant la maladie et la mort.Aussi, c’est de cette pénurie de connaissances en matière d’inter- ventions que nous traitons dans le présent chapitre en déclinant notre proposition explicative en trois points. Dans une première partie nous dis- cutons de la difficulté de choisir le public cible des interventions (aporie).La deuxième partie est centrée sur les enjeux paradigmatiques soulevés par l’évaluation de telles interventions (épistémologie). En dernier lieu, nous ferons une synthèse, non exhaustive, des connaissances acquises sur la manière dont il faudrait agir (défis).
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 | 0.034 | 0.032 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.005 |
| Science and technology studies | 0.010 | 0.118 |
| Scholarly communication | 0.025 | 0.023 |
| Open science | 0.003 | 0.014 |
| Research integrity | 0.009 | 0.016 |
| Insufficient payload (model declined to judge) | 0.006 | 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".