MétaCan
Menu
Back to cohort
Record W4318987252 · doi:10.56746/exercer.2023.190.51

QUESTION RHETORIQUE ?

2023· article· fr· W4318987252 on OpenAlexaboutno aff
X GOCKO

Bibliographic record

VenueEXERCER · 2023
Typearticle
Languagefr
FieldSocial Sciences
TopicVaccine Coverage and Hesitancy
Canadian institutionsnot available
Fundersnot available
KeywordsHumanitiesPhilosophy

Abstract

fetched live from OpenAlex

« La répétition est la plus forte des figures de rhétorique. » Napoléon Bonaparte « Il faut la faire la 4e/5e dose ? ». Cette question, presque rhétorique pour certains patients, chatouille les oreilles des médecins généralistes qui, comme leurs patients, éprouvent souvent un sentiment d’épuisement face à ces presque trois années de pandémie. Cet épuisement, amplifié par les épidémies de grippe et de bronchiolite, peut même conduire à un désintéressement du sujet Covid-19. Et pourtant, de janvier 2020 à décembre 2021, l’excès de mortalité dû au Covid-19 a été estimé à 14,83 millions dans le monde1. L’espérance de vie a baissé en Europe de plus d’un an, comparée à l’avant-pandémie. Cette baisse est la plus forte observée depuis la Seconde Guerre mondiale. L’organisation des soins est perturbée en Europe2 et l’a aussi été au Québec et au Canada, comme en attestent les témoignages de Légaré et al. dans ce numéro3. Alors « il faut la faire la 4e/5e dose ? ». La question n’est pas rhétorique pour les généralistes, elle mérite une réponse qui relève de l’EBM. Même si la qualité des études varie, les vaccins semblent être sûrs et efficaces pour prévenir les formes graves, les hospitalisations et les décès contre tous les variants. Les réponses aux questions de la dose de rappel, de la baisse de l’immunité, de la durée de l’immunité persistent4. Certaines études ont même montré que l’immunité hybride avait de meilleurs résultats sur les formes graves que l’immunité avec deux doses de vaccins5. D’autres questions émergent, comme celle de l’impact de la vaccination sur le Covid long et les malaises post-effort qui sont décrits dans le recommandé pour exercer de ce numéro 1906. Alors « il faut la faire la 4e/5e dose ? ». La question pour les patients est-elle purement rhétorique ? Certains attendent une réponse, car leur décision ne repose pas uniquement sur des données statistiques. Leur raisonnement (comme le nôtre) est aussi émotionnel et peut reposer sur des erreurs issues de procédures mentales subconscientes de traitement de l’information, alias les biais cognitifs. Dans ce numéro, vous allez découvrir de nombreux biais et pouvoir répondre aux questions des patients. Par exemple, le biais de naturalité fait que le patient pense le virus peu dangereux et qu’il préfère contracter la maladie plutôt que de se faire vacciner7. Imaginons maintenant un patient qui voudrait privilégier « l’immunité naturelle » ; qui aurait lu qu’elle fait mieux que la vaccination et un médecin qui aurait lu la brève d’exercer 189 écrite à partir de l’article du New England Journal of Medicine et l’article sur les biais cognitifs. Le médecin pourrait en douceur faire vaciller la certitude du patient et comparer un pari audacieux de contracter une Covid-19 et celui de se faire vacciner qui semble plus raisonnable. Comment va-t-il lui expliquer tout cela ? Il peut employer les trois dimensions de l’art de convaincre. La première est le logos : la logique du discours, les arguments développés dans l’article de Fiolet et al.4. La deuxième est l’éthos : la crédibilité de celui qui délivre le message, et vous connaissez la relation de confiance des usagers de la santé avec leur médecin généraliste. La troisième est le pathos : l’argumentation par l’affect, et là encore le médecin généraliste sait créer un lien émotionnel. Le tout est de la rhétorique et elle ne s’oppose en rien au modèle de décision partagée mais permet de nourrir son assertivité professionnelle.

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 imitation

Not 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.

metaresearch head score (Codex)0.011
metaresearch head score (Gemma)0.032
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: none
GenreCandidate signal: Other · Consensus signal: none
Teacher disagreement score0.035
Threshold uncertainty score0.117

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0110.032
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0020.002
Science and technology studies0.0070.024
Scholarly communication0.0130.019
Open science0.0020.005
Research integrity0.0090.011
Insufficient payload (model declined to judge)0.0350.012

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.

Opus teacher head0.031
GPT teacher head0.335
Teacher spread0.304 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designNot applicable
Domainnot available
GenreOther

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".

Quick stats

Citations0
Published2023
Admission routes1
Has abstractyes

Explore more

Same venueEXERCERSame topicVaccine Coverage and HesitancyFrench-language works237,207