Bibliographic record
Abstract
Introduction. En France, en 2016, l’obésité concernait 17 % des adultes. L’entretien motivationnel est utilisé en médecine générale, avec une efficacité dépendant à la fois de l’engagement du patient et du médecin. Cet engagement repose sur la création de réseaux sémantiques entre la personne et le soignant. Ces réseaux confrontent des modèles explicatifs parfois différents entre soignants et personnes soignées. Les modèles explicatifs en partie inconscients reposent sur l’étiologie, le moment et le mode d’apparition des symptômes, la physiopathologie, l’évolution et le traitement de la maladie. Objectif. Recueillir les modèles explicatifs des personnes en situation d’obésité afin de mieux les comprendre et de mieux les accompagner dans leur parcours de soins, autrement dit d’améliorer les réseaux sémantiques. Méthode. Étude qualitative selon une approche de médecine narrative réalisée entre novembre 2020 et juillet 2021 auprès de personnes majeures en situation d’obésité recrutées par leurs médecins généralistes puis contactés par le chercheur. Le guide McGill Illness Narrative Interview a été utilisé. Résultats. Plusieurs modèles explicatifs coexistaient et interagissaient. L’obésité pouvait être décrite dès l’enfance, parfois avec une notion d’hérédité. Des événements de vie comme le deuil, la vie de couple, le mode de vie, la maladie, des traitements ou des régimes étaient incriminés. Le parcours de soins était chaotique, entre tabou et échecs des accompagnements, et pouvait conduire au découragement. Ce découragement pouvait favoriser l’inaction ou l’errance et constituer un facteur de maintien de l’obésité. L’ambivalence concernant l’impact de l’obésité sur le quotidien, le sentiment de honte et la crainte du rejet était aussi des facteurs de maintien. Conclusion. Ces modèles explicatifs peuvent permettre de mieux comprendre et accompagner les personnes en situation d’obésité. L’amélioration des réseaux sémantiques facilite l’approche centrée sur le patient et les entretiens motivationnels.
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 | 0.006 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".