Perception of general practitioners (GPs) facing sick leave prescriptions : development of a guide of interview group
Bibliographic record
Abstract
Le médecin généraliste est le principal prescripteur d arrêts de travail. La prescription des arrêts de travail intéresserait 7,6% des consultations et 1,78% des visites. C est donc un acte médical fréquent du médecin généraliste. Mais cet acte est complexe. La décision de prescription est soumise à de nombreux facteurs et s intègre dans le projet de prise en charge globale du patient. L objectif de la thèse est la création d un guide d entretien explorant les perceptions des médecins généralistes face à la prescription des arrêts de travail par la méthode des focus groups.Le guide d entretien est l outil permettant de guider l animateur du focus groups qui doit faire émerger la variété des opinions sur la prescription des arrêts de travail. Sa création nécessite l analyse de la bibliographie sur la prescription des arrêts de travail, les représentations sociales, les opinions et les attitudes des médecins généralistes. La construction du guide a été réalisée par quatre chercheurs. La validité interne a été obtenue par un comité de pilotage et la validité externe par modification du guide suite à la réalisation du premier focus group. Le guide créé s est articulé autour de quatre questions qui plaçaient les participants dans des situations éloignées de leur rôle de médecins afin d éviter les discours trop formatés. Ainsi, nous leur proposions de se placer dans la situation d un patient demandant un arrêt de travail, d un procès, dans une situation ou le médecin était dépossédé de son rôle de prescripteur, et d un pays sans arrêt de travail.Le guide réalisé était cohérent avec les domaines à explorer, clair et reproductible. Les Focus Groups ont permis d explorer les facteurs décisionnels biomédicaux, psychosociaux, ou environnementaux, la place centrale du médecin traitant, et l enjeu relationnel possible lors de cette prescription.
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 | 0.032 | 0.038 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.002 | 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".