Pratiquer la responsabilité sociale en santé : de la théorie à la pratique. Une étude Delphi internationale
Bibliographic record
Abstract
Introduction : La responsabilité sociale en santé (RSS) des professionnels de santé est difficile à traduire en compétences, à enseigner et à mettre en œuvre concrètement dans la pratique professionnelle. But de l’étude : Afin d’éclairer l’élaboration d’un profil de compétences, cette étude du Réseau international francophone pour la responsabilité sociale en santé (RIFRESS) a visé à développer un consensus sur les composantes de la RSS des médecins selon le point de vue d’experts en éducation médicale. La méthode Delphi a été utilisée, le premier tour étant ouvert et les deux autres, fermés. Le logiciel Mesydel a servi pour l’analyse qualitative du premier tour, le SPSS pour l’analyse du degré de consensus pour les tours 2 et 3. Résultats : Trente-quatre experts ont répondu à l’étude. Lors du premier tour, 62 codes ont émergé, regroupés en 13 thèmes. À partir de l’analyse initiale, 40 éléments ont été soumis pour le deuxième tour. Sur ces 40 items, 23 sont alors sortis consensuels, ainsi que 13 sur les 18 items soumis de nouveau après le troisième tour. Des exemples d’éléments consensuels : l’éco-responsabilité, le plaidoyer, la défense du bien commun, l’analyse critique de sa pratique et le leadership collaboratif. Conclusions : La présente étude visait à définir concrètement les composants de la RSS des médecins. Ce consensus doit être utilisé à la lumière du contexte local et permettre de former des médecins qui répondent aux besoins de santé prioritaires de la société dans un monde en profonde mutation.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.023 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.000 | 0.003 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.002 | 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; both teacher heads agree on what is shown here.
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".