Une approche interdisciplinaire et territoriale pour réduire les vulnérabilités et les inégalités en santé
Bibliographic record
Abstract
Les populations en situation de vulnérabilité sociale et économique présentent un risque important d’être fragilisées par rapport à leur santé et leur bien-être. La notion de vulnérabilité apparait pertinente pour mettre en lumière les défis à relever pour faire face aux inégalités ainsi que les circonstances fertiles pour développer des actions innovantes adaptées aux différents contextes. À partir d’une réflexion interdisciplinaire, nous explorons les conceptions de la vulnérabilité dans les publications scientifiques en santé et en sciences sociales, afin de faire ressortir les similarités et les divergences existantes. Les facteurs de vulnérabilité ressortent des écrits, tels l’âge, le sexe, les problèmes de santé, les facteurs socioéconomiques et l’environnement. Dans une perspective territoriale, nous présentons certains enjeux de vulnérabilité en tenant compte à la fois des éléments individuels et collectifs de ces expériences. Ces situations de vulnérabilité comportent des défis importants pour les professionnels et intervenants de différents secteurs de la santé, et des services sociaux, publics et communautaires. Agir en promotion de la santé requiert une bonne connaissance du territoire pour s’adapter aux dimensions liées aux déterminants de la santé, aux contextes communautaires et organisationnels, et utiliser des stratégies reconnues comme de bonnes pratiques adaptées aux véritables besoins des populations.
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 | 0.027 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.006 | 0.012 |
| Scholarly communication | 0.015 | 0.013 |
| Open science | 0.004 | 0.011 |
| Research integrity | 0.005 | 0.005 |
| Insufficient payload (model declined to judge) | 0.011 | 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".