Résilience face aux crises sanitaires : un modèle d’analyse pour mieux cerner la complexité de gestion dans les États fragiles
Bibliographic record
Abstract
La première épidémie de maladie à virus Ebola en Guinée, entre 2013 et 2016, a été révélatrice des défaillances organisationnelles des institutions guinéennes dans la gestion de la crise et de la dépendance aux partenaires techniques et financiers internationaux. On a maintes fois accusé les déficits en matière de résilience pour expliquer les difficultés de gestion de la crise. Cet article a pour objectif de s’interroger sur la manière de renforcer la résilience pour améliorer la réponse aux crises sanitaires dans les États fragiles. La collecte de données de cette étude qualitative a été réalisée dans la période post-Ebola en 2017, grâce à des entretiens semi-dirigés, à une observation d’événements liés à la gestion des crises ou au relèvement post-crise, et à une analyse documentaire approfondie. Présentant les bonnes pratiques pour renforcer la gestion des crises sanitaires dans les États fragiles et un modèle tridimensionnel d’analyse de la gestion résiliente des crises sanitaires dans les États fragiles, cette étude permet de noter que la gestion des épidémies repose sur un état initial et un contexte spécifique, mais également sur les dimensions intra-organisationnelle et inter-organisationnelle puisque plusieurs organisations doivent collaborer. La dernière dimension du modèle d’analyse permet d’apprécier la résilience sanitaire selon les 5 caractéristiques de Kruk et al. (2015), soit la conscience, la diversité, l’autorégulation, l’intégration et l’adaptabilité.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| 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".