Prévenir et agir sur les violences à caractère sexuel : lorsque la qualité des soins de santé dédiés aux personnes concernées se heurte au déficit de crédibilité
Bibliographic record
Abstract
Le Québec tend vers la reconnaissance des violences à caractère sexuel (VCS) comme un enjeu de santé publique considérant la gravité de leurs conséquences sur la santé des victimes. Cette reconnaissance s’inscrit dans le contexte de vagues de dénonciation (ex. #Metoo de 2017). L’échec de l’intelligibilité du phénomène a pour effet d’atteindre injustement la crédibilité des victimes de VCS, qui ne sont souvent pas prises au sérieux par les institutions publiques. Plusieurs auteures ont étudié l’impact de ce déficit de crédibilité en contexte judiciaire, mais peu se sont intéressées au processus institutionnel inhérent aux établissements de santé. À partir d’une recension systématique des écrits s’intéressant aux pratiques soignantes auprès des victimes de VCS, cet article vise deux objectifs. Nous souhaitons contribuer à la réflexion collective portant sur la prévention et les soins des victimes de VCS afin de mieux comprendre les injustices épistémiques (IE) vécues par celles-ci. Ensuite, nous souhaitons proposer des pistes de réflexion pour le personnel soignant afin de les sensibiliser aux IE et favoriser l’accompagnement des victimes et la prévention des VCS.
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 | 0.004 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.012 | 0.013 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 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".