La remobilisation des capabilités du soignant : une réponse à sa vulnérabilité
Bibliographic record
Abstract
Aborder la question de la vulnérabilité du soignant dans la relation de soin peut paraître déplacé voire illusoire. En effet, la figure commune du soignant est celle d’une personne forte, qui n’est pas affectée par la maladie et la souffrance du malade; une personne qui ne laisse pas transparaître le malaise et le mal-être liés à son activité. La pandémie de la Covid-19, qui a marqué notre monde ces dernières années, nous a révélé à suffisance que le soignant n’est pas un dieu vêtu en blouse blanche/bleue/rose/violette. L’expérience du quotidien nous montre que le soignant, tout comme le malade, peut être en situation de vulnérabilité. Quand le soignant est abandonné à sa souffrance et que sa vulnérabilité est ignorée, l’impact d’une telle expérience peut être néfaste pour les soins prodigués. Il s’agit dans cet article de considérer la notion de capabilité comme paradigme de compréhension de la prise en charge de la vulnérabilité du soignant. Suivant cette logique, répondre à la vulnérabilité du soignant revient à promouvoir un environnement de soin capacitant qui puisse lui permettre de développer ses capabilités. L’approche par les capabilités nous rappelle ainsi la nécessité de prendre en compte les aspirations morales et humaines des soignants dans la pratique médicale.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.010 | 0.025 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.008 | 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".