Le partage et l’application des connaissances en santé publique : résultats d’une étude préliminaire auprès d’élus et techniciens locaux [Note de synthèse n°4]
Bibliographic record
Abstract
En France, de récentes propositions ont été faites en santé publique en faveur du partage et de l’application des connaissances (PAC) entre les chercheurs et les acteurs liés à la décision publique : d’une part, pour renforcer les liens entre ces acteurs et, d’autre part, pour favoriser une prise de décision éclairée par l’ensemble des connaissances disponibles en santé publique [1]. Ces connaissances peuvent être issues de la recherche, de bases de données, ou de l’expérience [2]. Cependant, peu d’informations sont disponibles sur les besoins et les contraintes des décideurs locaux en matière de PAC.Cette note de synthèse présente les résultats d’une étude préliminaire dont les objectifs étaient de savoir de quelles façons les élus et techniciens de communes et intercommunalités : (1) s’informent sur la santé ; (2) entrent en relation avec des chercheurs ; et (3) envisagent les stratégies pour développer ou renforcer les connaissances et compétences en santé de leur collectivité.Cette étude a été faite en collaboration avec le réseau français des Villes-Santé de l’OMS (RFVS-OMS) et l’association Elus, santé publique et territoires (ESPT).
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 | 0.044 | 0.113 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.008 | 0.016 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.014 | 0.012 |
| Open science | 0.003 | 0.008 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.039 | 0.004 |
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".