Définition du rôle de la santé publique numérique dans le paysage changeant de la santé numérique : répercussions sur les politiques et les pratiques au Canada
Bibliographic record
Abstract
Introduction Dans cet article, nous soutenons que les stratégies actuelles en matière de santé numérique à l’échelle du Canada ne tiennent pas adéquatement compte des répercussions des technologies numériques sur les fonctions de santé publique, car elles ont une orientation principalement clinique. Nous soulignons les différences entre médecine clinique et santé publique et nous suggérons qu’il est essentiel, pour le développement des technologies numériques dans le domaine de la santé publique, de concevoir la santé publique numérique comme un domaine distinct de la santé numérique tout en étant lié à celle-ci. Si l’accent était mis sur la santé publique numérique, les technologies numériques pourraient tenir compte en profondeur des principes fondamentaux de la santé publique que sont l’équité en santé, la justice sociale et l’action sur les déterminants sociaux et environnementaux de la santé. De plus, la transformation numérique des services de santé, catalysée par la pandémie de COVID-19, et l’évolution des attentes du public à l’égard de la rapidité et de la commodité des services de santé publique exigent que l’on mette l’accent sur la santé publique numérique. Cet impératif est renforcé par la nécessité de prendre en compte le rôle croissant des technologies numériques en tant que déterminants de la santé ayant une influence sur les comportements et les résultats en matière de santé.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.006 | 0.008 |
| Scholarly communication | 0.008 | 0.002 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.000 |
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".