Pour des systèmes de soins de santé viables : privilégier la robustesse plutôt que l’optimisation
Bibliographic record
Abstract
Le concept de performance s'est progressivement imposé dans les politiques de santé. Présentée comme nécessaire et positive, elle est souvent réduite à l’efficience, qui se traduit par des politiques et des modes de gestion qui visent l’optimisation. Alors qu’elles seraient garantes de la soutenabilité de nos systèmes de soins de santé, ces pratiques les ont rendus fragiles. Un éclairage venu des sciences du vivant nous permet de mieux comprendre pourquoi. En effet, les biologistes constatent que les êtres vivants ne privilégient pas l’optimisation, mais bien la robustesse. Pour faire face aux fluctuations, un organisme robuste fonctionne avec des redondances et des incohérences, des variations et de l’inachèvement, des gaspillages apparents, fait la part belle à la lenteur, aux durées et à l’hétérogénéité. Il fonctionne de façon sous-optimale. Cet article propose une réflexion théorique et des pistes de gestion des organisations pour des systèmes de soins de santé plus robustes.
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 | 0.012 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.012 |
| Scholarly communication | 0.011 | 0.011 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.005 | 0.005 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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".