Impact des mesures incitatives et coercitives sur le lieu de pratique des nouveaux médecins de famille
Bibliographic record
Abstract
Les services de première ligne sont une composante essentielle des soins de santé pour la population. Dans une région touchée par une grave pénurie de médecins, le risque de ne pouvoir accéder en temps opportun à des soins appropriés peut engendrer des problèmes de santé sévères en particulier chez les personnes vulnérables. Dès 1975, le gouvernement du Québec a introduit plusieurs mesures pour influencer le choix de la région de pratique des omnipraticiens et ainsi améliorer l’équité dans leur répartition géographique. Certaines mesures sont incitatives. Celles-ci incluent les bourses-contrat d’étude, la rémunération différente selon les régions, les primes d’installation, les primes d’isolement ou encore les primes de rétention. D’autres mesures sont coercitives. En 2004, les Plans régionaux d’effectifs médicaux (PREM) ont été introduits. Selon les PREM, tout nouveau médecin qui veut changer de région de pratique doit obtenir un avis de conformité du département régional de médecine générale où il veut s’installer. Cet avis ne peut être délivré que si la cible du PREM n’a pas été atteinte. Les PREM ont été rendus encore plus contraignants en 2015. À partir d’un riche ensemble de données inédites, les auteurs estiment l’effet causal de trois mesures visant à influencer le choix du lieu de pratique des nouveaux médecins de famille du Québec entre 1975 et 2021. Ils montrent que les bourses, la rémunération différente selon les régions et les PREM semblent avoir eu les effets escomptés.
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 | 0.005 | 0.030 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".