Utiliser une banque de cas pour comprendre les politiques pour la santé publique et leurs enjeux éthiques
Bibliographic record
Abstract
Cet article explore l’utilisation des banques de cas pour accompagner le développement de la compétence d’analyse des enjeux éthiques et du processus des politiques publiques en contexte d’apprentissage en santé publique. Une brève synthèse de la littérature souligne la pertinence des études de cas pour acquérir des connaissances empiriques ou développer des compétences d’analyse critique. Cependant, cette synthèse n’a pas permis d’identifier d’analyses de l’utilisation d’ensembles de cas, tels que des banques de cas. Pour combler ce manque, l’article présente PolÉthicas, une collection d’études de cas qui décrivent les enjeux éthiques et le processus d’élaboration de politiques publiques en santé publique au Canada, et son guide d’utilisation. Ce dernier prend appui sur les arguments et méthodes identifiés dans la revue de littérature ainsi que sur l’analyse croisée de plusieurs cas portant sur des thèmes liés et structurés de façon similaire. La banque de cas PolÉthicas et son guide d’utilisation permettent de réfléchir aux dimensions théoriques et empiriques des choix collectifs de santé publique dans le développement des politiques publiques à partir de plusieurs cas, de questionner les valeurs en jeu dans l’élaboration et la mise en oeuvre des politiques publiques, les acteurs impliqués et leurs interactions ainsi que le contexte dans lequel s’inscrivent ces processus.
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 | 0.019 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.008 | 0.009 |
| Science and technology studies | 0.017 | 0.034 |
| Scholarly communication | 0.021 | 0.014 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.011 | 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".