Un enjeu éthique dans les sites d’injections supervisées avec un bas seuil d’exigence
Bibliographic record
Abstract
Au Québec, les intervenants qui exercent leur mandat à l’intérieur de sites d’injections supervisées sont souvent confrontés à des enjeux éthiques qui touchent une population vulnérable et marginale. Les intervenants sont coincés entre le désir de soutenir les usagers et l’importance du respect des règlements pour assurer le bon fonctionnement du service et la sécurité des usagers dans un souci d’offrir un accès équitable. À partir d’un cas fictif, qui illustre le soi-disant manque de collaboration d’un usager ayant un comportement perturbateur et menaçant, il s’agit de décrire la difficulté et les tensions entre différentes perspectives dans le champ de l’intervention sociale. Notre démarche est phénoménologique et herméneutique avec une visée pragmatique. Les cadres théoriques d’Aristote et de Ricoeur nous serviront d’appui. Nous proposons l’idée que les sites d’injections supervisées offrent un lieu de partage, d’écoute et de dialogue, voire un lieu de réflexion, de délibération et de prise de décision à l’intérieur d’une communauté de recherche, au sein de laquelle les usagers, même en état d’intoxication, ont un rôle social à jouer dans une résolution d’un problème éthique.
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 | 0.007 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.023 | 0.022 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 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".