Veille sur les outils numériques en santé dans le contexte de COVID-19
Bibliographic record
Abstract
La pandémie de la COVID-19 exerce une pression importante sur les systèmes de santé à travers le monde, lesquels doivent s’adapter à une demande accrue tout en transformant leurs façons de faire pour réduire les risques de propagation du virus. Le numérique (applications, logiciels et réseaux associés) promet de soutenir les organisations, les praticiens et les citoyens via une diversité de capacités pour optimiser la gestion de l’information et soutenir les soins à distance, voire les auto-soins. Une équipe de chercheur·es de l'OBVIA dirigée par Aude Motulsky et Philipe Després a entrepris une veille numérique en lien avec la gestion de la COVID-19 dès le début du mois de mars, afin de dresser les contours des transformations numériques en cours au Canada, et exposer des observations et constats préliminaires qui permettent d’identifier des pistes de recherche et actions à prioriser pour mobiliser le potentiel tout en limitant les conséquences indésirables. Le rapport présente la démarche réalisée, les observations, ainsi que les principaux constats qui en émanent. Cette veille sur les outils numérique en santé dans le contexte de COVID-19 s’inscrit dans le cadre des travaux de l’Observatoire international sur les impacts sociétaux de l’IA et du numérique (OBVIA) sur les effets des systèmes d’intelligence artificielle et des outils numériques déployés pour lutter contre la propagation de la COVID-19 sur les sociétés, soutenus par les Fonds de recherche du Québec (FRQ).
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 | 0.009 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.003 | 0.009 |
| Scholarly communication | 0.014 | 0.011 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.027 | 0.003 |
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".