Bibliographic record
Abstract
Le nombre des médecins n’a jamais été aussi important en France. Pourtant, certains départements manquent de plus en plus de médecins généralistes et les « déserts médicaux » ne semblent pas près de disparaître, bien au contraire. La situation du médecin généraliste en milieu rural, vénéré au XIXe et au début du XXe siècle, et toutes ces grandes figures de praticiens faisant à cheval leurs visites, est devenue totalement désuète. Les malheureux qui continuent d’exercer dans ces régions en déclin aux populations vieillissantes ont des gardes trop nombreuses et des rythmes de travail déments, ils manquent de plateaux techniques qui pourraient leur simplifier la vie ; ils ne peuvent trouver de remplaçant, que ce soit pour se recycler ou partir en vacances, et ils ne se font guère d’illusions : aucun jeune médecin n’acceptera de leur succéder. L’épuisement conduit parfois même au suicide. Dans certaines régions, les collectivités locales se résignent à recruter des médecins étrangers : ceux-ci s’adaptent avec plus ou moins de bonheur dans ces pays qui ont conservé de fortes particularités locales. À l’heure où l’écologie devient primordiale, où la pollution et les conditions de vie dans les grandes villes (transports, logements, insécurité…) sont unanimement dénoncées, il est paradoxal de constater que la densité de population dans ces zones urbaines continue à augmenter. Ce phénomène n’est pas propre à la France : on le retrouve de façon plus aiguë encore dans les pays en voie de développement ; il existe aussi en Europe (en Allemagne en particulier), de même qu’au Québec, où le Collège des médecins, en janvier 2007, vient de faire le point sur ce problème du manque de médecins de famille. Quelles sont les solutions proposées pour y remédier ? C’est ce que nous tenterons de définir.
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 | 0.002 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.012 | 0.015 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.260 | 0.063 |
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".