Information génétique et risque de stigmatisation collective : L’exemple du Saguenay Lac-Saint-Jean
Bibliographic record
Abstract
Pour qui s’intéresse à la génétique eu égard à la protection de la réputation des collectivités, le cas du Saguenay-Lac-Saint-Jean (SLSJ) offre un précieux matériau à la réflexion. Les travaux qui y ont été conduits au cours des dernières décennies démontrent de façon exemplaire comment la recherche sur les maladies génétiques dans une population donnée peut donner naissance à un stéréotype négatif. Sont ici mises en cause les pratiques de diffusion des résultats de recherche, tout spécialement la manière dont les grands médias traitent ce genre d’information (ce qui ne veut pas dire que les chercheurs eux-mêmes soient exempts de reproches). L’expérience du SLSJ mérite une attention particulière car elle préfigure des difficultés appelées à devenir monnaie courante dans toutes les populations, étant donné le développement de la prévention des maladies héréditaires. Avec les avancées de la génétique moléculaire et bientôt de la « phénomique », il deviendra prioritaire de rechercher dans la population les concentrations de gènes à l’origine des maladies, qu’elles soient multifactorielles ou mendéliennes. Cet article a pour objectif de montrer certains risques auxquels les chercheurs et les professionnels de la santé seront alors exposés.
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 | 0.006 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.005 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".