Health Democracy and Storytelling: A Synthesis of Knowledge<br/><br/>Démocratie en santé et narration : une synthèse des connaissances
Bibliographic record
Abstract
Objectif : La démocratie en santé nécessite de disposer d’outils et de méthodologies pour impliquer les acteurs non scientifiques dans l’élaboration et la mise en œuvre des politiques de santé. La narration pourrait être un des outils qui permettent de rendre la démocratie en santé effective. Notre objectif est de voir comment la narration est mobilisée en lien avec la démocratie en santé, de décrire les objectifs de son usage, la méthodologie adoptée et les résultats obtenus. Matériel et méthodes : Nous avons réalisé une revue de la littérature narrative. Notre équation de recherche a été composée par le mot-clé « narration » et ses déclinaisons « récit de vie », « histoire de vie » et « médecine narrative » et par le mot-clé « démocratie en santé » / « démocratie sanitaire ». Résultats : Nous avons obtenu 135 résultats et nous avons retenu six articles, publiés entre 2015 et 2022. L’intérêt de la narration dans une démarche de démocratie en santé concerne six thèmes principaux : a) la pluralité des vécus ; b) l’empowerment ; c) la reconnaissance des différents types de savoir ; d) l’implication de tous les acteurs du soin dans le soin ; la narration comme levier de changement e) dans le parcours de soins ; f) dans les politiques de santé. Conclusion : Le nombre limité d’articles retenus dans cette revue de la littérature interroge la diffusion du concept de démocratie en santé associé à celui de narration. La narration peut contribuer à diffuser et rendre effective la démocratie en santé : elle est un outil complémentaire aux outils quantitatifs pour connaitre le vécu des usagers du système de santé et son usage est particulièrement pertinent dans les maladies chroniques comme le cancer.
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 | 0.018 | 0.037 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.008 | 0.009 |
| Science and technology studies | 0.005 | 0.012 |
| Scholarly communication | 0.015 | 0.015 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.011 | 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".