Communication à propos de l’incertitude, confiance et promotion de la santé
Bibliographic record
Abstract
Résumé La promotion de la santé est plus efficace lorsque les communicateurs en matière de santé sont considérés comme dignes de confiance. Cependant, ces communicateurs doivent souvent faire face à des incertitudes dans la base de connaissances sur laquelle ils s’appuient. Dans ce commentaire, nous analysons les avantages à faire état de cette incertitude, avec des mises en garde et des bonnes pratiques pour cultiver la confiance. Nous recommandons de déterminer le type d’incertitude en cause et de choisir des approches de communication appropriées. Nous conseillons également aux communicateurs de mettre l’accent sur les éléments positifs de l’incertitude, dans la mesure du possible, par exemple lorsqu’elle reflète une base de données probantes de plus en plus importante. Les promoteurs de la santé devraient tenir compte des résultats à long terme de la communication à propos de l’incertitude, dans la mesure où ces résultats peuvent différer des résultats à court terme. Nous présentons également les lacunes en matière de connaissances et les domaines qui méritent d’être étudiés à l’avenir. Nous montrons également que l’incertitude peut souvent être communiquée sans nuire à la fiabilité du communicateur, et que les communicateurs devraient s’appuyer sur les meilleures pratiques fondées sur des données probantes. Notre objectif est de susciter un débat plus approfondi sur la manière dont l’incertitude doit être comprise et encadrée dans les efforts de promotion de la santé, en guidant les communicateurs sur la manière de maintenir la confiance du public même au coeur de l’inconnu.
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 | 0.017 | 0.037 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.009 |
| Scholarly communication | 0.014 | 0.008 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.027 | 0.006 |
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".