Méthodes d’évaluation des partenariats d’action intersectorielle visant à agir sur les déterminants sociaux de la santé : examen de la portée
Bibliographic record
Abstract
Introduction Bon nombre des facteurs sociaux et économiques qui conditionnent la santé d’une population et l’équité en matière de santé (comme le revenu, l’éducation et l’emploi) ne sont pas liés au secteur de la santé. L’action intersectorielle est essentielle à la formation de partenariats diversifiés qui visent à agir sur ces déterminants sociaux de la santé. Malgré le rôle important de l’action intersectorielle, on dispose de peu de rapports exhaustifs du secteur de la santé sur la manière dont ces partenariats sont évalués. Cet examen de la portée vise à fournir une vue d’ensemble d’exemples d’évaluations de partenariats d’action intersectorielle, portant sur les méthodes d’évaluation, les outils et les indicateurs. Méthodologie Une recherche documentaire menée dans deux bases de données universitaires (Embase et MEDLINE) a permis d’obtenir sept études pertinentes publiées entre 2012 et 2022. Résultats Les approches d’évaluation que nous avons observées ont été l’analyse de réseaux, l’analyse à l’échelle des collectivités ou des systèmes, l’évaluation des partenariats et l’évaluation longitudinale des processus. Cinq des études ont évalué la force et la fonctionnalité des partenariats, la portée (distance entre les partenaires) étant l’indicateur le plus fréquemment utilisé. Conclusion En dépit de la complexité à évaluer les partenariats d’action intersectorielle, ces évaluations sont essentielles pour mesurer les effets sur les résultats en matière de santé et les déterminants sociaux de la santé, sur l’atteinte des objectifs, sur la reddition de compte et sur la pérennité. Différents modèles d’évaluation sont à la disposition des planificateurs et des évaluateurs de programmes participant aux initiatives d’action intersectorielle.
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 | 0.208 | 0.354 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.004 | 0.007 |
| Bibliometrics | 0.013 | 0.015 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.004 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.018 | 0.003 |
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; the direct Gemma label and the distilled Codex classifier 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".