L’inévitable défi des dilemmes éthiques en optométrie, partie 3
Bibliographic record
Abstract
Certaines situations placent les professionnels de la santé face à un dilemme : deux principes éthiques entrent en conflit et aucune des décisions possibles n’est optimale. Malgré les conséquences pouvant en résulter, aucune étude ne s’était encore penchée sur les dilemmes éthiques en optométrie. Objectif. Cet article conclut une série de trois articles rapportant les résultats d’une étude dont les buts étaient d’identifier les dilemmes éthiques vécus par les optométristes et d’en décrire des scénarios typiques. Méthode. Deux cent quarante optométristes ont répondu à un questionnaire en ligne. Résultats. Un bris de confiance peut placer l’optométriste face à un dilemme quant à au maintien ou non de sa relation avec le patient. Le dilemme le plus fréquent concerne la facturation d’honoraires professionnels en surplus de ceux de l’examen de base. Plusieurs autres dilemmes éthiques sont préoccupants, dont ceux touchant les avances ou séductrices ou sexuelles de la part de la clientèle. Conclusion. De nombreux enjeux éthiques ont été identifiés et décrits. Ces résultats seront utiles aux instances académiques et professionnelles pour leur permettre de préparer les optométristes à prendre des décisions éthiques parfois difficiles.
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 | 0.020 | 0.041 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.005 | 0.008 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
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".