Utilisations secondaires des données de santé : impacts de la transparence
Bibliographic record
Abstract
La notion de transparence ressort régulièrement des discussions autour des utilisations secondaires des données de santé. Peu d’études se penchent toutefois sur les impacts de la présence ou de l’absence de transparence ou de son absence sur les membres du public. Cette revue de littérature répond à cette lacune. Elle résulte d’une analyse secondaire de 124 textes issus d’une recension de la portée sur la transparence conformément aux lignes directrices PRISMAS-ScR. Les résultats contribuent à identifier les impacts négatifs ou positifs et à les associer à certaines composantes communicationnelles relatives aux utilisations secondaires de données de santé. Ils permettent également d’identifier les composantes associées à une communication jugée transparente ou opaque par les parties prenantes. La transparence, et plus particulièrement la continuité de la communication, est fortement associée à une augmentation de la confiance et de l’acceptabilité sociale alors qu’en général, les membres du public perçoivent négativement un manque de transparence. Cette revue de littérature approfondit également les connaissances sur les risques d’impacts négatifs de la communication transparente.
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 | 0.077 | 0.184 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.004 | 0.014 |
| Scholarly communication | 0.018 | 0.017 |
| Open science | 0.003 | 0.013 |
| Research integrity | 0.003 | 0.008 |
| Insufficient payload (model declined to judge) | 0.015 | 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".