Impacts et coûts indirects des stresseurs secondaires sur la santé biopsychosociale des sinistrés des inondations de 2019
Bibliographic record
Abstract
Dans diverses régions du Québec, il arrive fréquemment, voire annuellement, que des rivières débordent. Par exemple, en avril 2019, des inondations ont frappé diverses municipalités situées aux abords des lacs Saint-Pierre et des Deux Montagnes ainsi que le long de la rivière Chaudière. Les inondations de 2019 ont touché les régions de l’Abitibi-Témiscamingue, de la Beauce, de l’Outaouais, de Montréal et ses environs, des Laurentides, de la Montérégie, de Lanaudière, de la Mauricie et du Centre-du-Québec. Ce n’est qu’au début juin que les niveaux d’eau se résorbèrent suffisamment pour que le ministère de la Sécurité publique du Québec (MSP) n’ait plus que des inondations mineures sous surveillances dans la région de Montréal (Labbé, 2019). \n \nLors de ces inondations de 2019, la municipalité de Sainte-Marthe-sur-le-Lac a, pour sa part, été confrontée à une situation particulière. En effet, une rupture de digue a provoqué de graves inondations dans plusieurs secteurs de cette ville. En quelques minutes, 2 500 résidences ont été envahies par des eaux souillées forçant 6 000 personnes à être évacuées de leur domicile (Marceau, 2017). \n \nAfin d’identifier les différents stresseurs que peuvent vivre les adultes exposés à des inondations et leurs impacts sur la santé de ces derniers, des chercheurs provenant de différentes universités du Québec (UQAC, Laval, Sherbrooke, UQAM et l’ÉNAP) et de différentes disciplines (ex. travail social, santé publique, administration publique, finances et actuariat) ont mis en commun leur expertise afin de mieux comprendre ce que peuvent vivre les victimes d’inondations dans le cadre d’une étude mixte.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".