Réflexions et plaidoyer. De Midwifery à Maïeutique: Perte en traduction ?
Bibliographic record
Abstract
Ce chapitre reprend le questionnement posé lors du symposium en français From midwifery to maïeutique : lost in translation présentée au congrès de L’ICM en 2021. La première utilisation de grande ampleur de la traduction française de Midwifery à Maïeutique remonte à une publication prestigieuse du Lancet en 2014 (Executive Summary writing team 2014a, 2014b) Critiques vis-à-vis de ce choix non concerté, trois sages femmes se sont lancées dans un travail de recherche de littérature qui conclut que les termes ne semblent pas interchangeables et qu’une perte importante de sens entre Midwifery et Maïeutique est notée (Meyer, Lemay, et Labrusse 2018; Meyer, Lemay, et De Labrusse 2019). Profitant du congrès virtuel ICM de 2021, les auteures ont proposé d'élargir le sujet à des apports contextuels du Québec, de Suisse, de France, de Belgique et d'Afrique, sur l’utilisation des mots Midwifery et Maieütique afin d'informer l'audience sur l’utilisation de ces termes, puis d'échanger avec elle. Le chapitre ouvre sur la littérature produite par des professionnels de la santé sur la Maïeutique. S'ensuivent les éclairages contextualisés et les échanges avec le public. Le résumé d’une recherche faite en Afrique, publié dans l’European Journal of Midwifery, est également présenté. L’article complet est en libre accès sous https://doi.org/10.18332/ejm/146546.
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 | 0.037 | 0.076 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.009 | 0.024 |
| Scholarly communication | 0.018 | 0.010 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.005 | 0.013 |
| Insufficient payload (model declined to judge) | 0.011 | 0.003 |
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".