Modèle de maturité numérique pour les établissements de santé au Québec
Bibliographic record
Abstract
Les progrès récents liés aux applications de technologies de l’information et de la communication offrent de nombreuses possibilités pour l’amélioration de la valorisation de l’information dans les organisations. Quel que soit le secteur, on attend des organisations qu’elles tirent profit des nouvelles technologies. Loin d’être uniquement technologique, cette transformation oblige les organisations à repenser leurs façons de faire. Par sa complexité, la transformation vers le numérique des organisations soulève de nombreux enjeux. En santé, cette complexité se démarque entre autres par les nombreux acteurs issus de professions aux objectifs variés, les défis de circulation de l’information, l’existence de plusieurs types d’établissements, installations ou unités ou encore par la distribution spatiale de ces organisations. Un des défis que pose la transformation de ces entités est de connaître leur état d’avancement vers des organisations numériques et les leviers pour la promouvoir. Comment mesurer cet état et définir la marche à suivre en assurant la cohérence d’ensemble? Le présent rapport propose un modèle permettant de mesurer la maturité numérique de ces organisations en se basant sur la construction d’une théorie du changement, dans laquelle le programme à transformer est le fonctionnement des établissements et des installations en santé. La particularité de ce modèle est qu’il est multidimensionnel, ancré dans les trois niveaux d’action de l’organisation (stratégique, tactique et opérationnel) et adaptable selon la réalité de l’organisation et de son environnement. Cette flexibilité vise à permettre à l’organisation de mesurer sa maturité numérique en tenant compte de sa réalité (budgets, compétences disponibles, etc.), mais toujours en considérant tous les niveaux de l’action organisationnelle.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.018 | 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".