Étude exploratoire sur l’expérience de familles dont un membre est décédé en contexte d’aide médicale à mourir au Québec
Bibliographic record
Abstract
Au Québec, l’accès en 2015 à l’aide médicale à mourir (AMM) grâce à l’entrée en vigueur de la Loi concernant les soins de fin de vie a introduit un nouveau paradigme en santé (Viens, 2017). L’AMM devient un événement incontournable dans la compréhension de l’expérience de la personne malade qui choisit d’y recourir et de celle de la famille qui l’accompagne, le cas échéant. À ce jour, rares sont les écrits québécois proposant une compréhension de l’expérience d’accompagnement et de deuil des familles qui ont accompagné un proche en fin de vie ayant reçu l’AMM. Cette étude exploratoire cherche à 1) décrire les répercussions de l’AMM sur l’expérience individuelle et familiale des membres de la famille ayant perdu un des leurs en contexte d’AMM, 2) préciser les éléments qui contribuent ou nuisent à leur adaptation au moment de la perte et à la suite du décès. Dans le cadre de cette étude qualitative, des entretiens semi-dirigés auprès de 20 proches ont été réalisés. Les connaissances ainsi obtenues peuvent contribuer au développement de stratégies d’intervention préventives visant à soutenir les proches qui vivent la perte d’un proche dans ce contexte particulier.
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 | 0.005 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.017 | 0.007 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".