Développement d'indicateur d'accessibilité spatiale permettant l'investigation des inégalités socio-territoriales de santé à l'échelle fine
Bibliographic record
Abstract
Je tiens tout d'abord à remercier vivement Séverine Deguen, pour avoir accepté de diriger ma thèse et pour la confiance que tu m'as accordée tout au long de ce travail.Merci de m'avoir donné l'opportunité de réaliser ce travail de recherche.Je tiens à te remercier également pour tes précieux conseils et ton aide.Merci de m'avoir épaulé et conseillé tout au long de ma thèse.Je remercie Marc Souris, mon co-directeur de thèse.Je te remercie profondément pour tes nombreux conseils pertinents, pour nos discussions et nos échanges qui ont apporté beaucoup de rigueur à mon travail et qui m'ont systématiquement permis d'améliorer la vision d'analyse spatiale.Merci à Béatrice Fervers et François Langevin pour avoir accepté d'être les rapporteurs de cette thèse.Merci aussi à Marc Guggia pour avoir accepté de faire partie de mon jury et d'examiner ce travail.Je remercie Nolwenn Le Meur et Wahida Kihal.Merci encore pour vos intérêts et vos contributions à mon travail.Je remercie Nicolas Rose, mon tuteur de thèse ainsi que tous les membres de mon comité de thèse, Denis Zmirou-Navier, Etienne Minvielle, et Michel Louazel, pour vos remarques et suggestions qui ont contribué à améliorer la qualité de ce travail.J'exprime ma profonde gratitude à l'EHESP, et notamment au directeur du département Méthodes quantitatives en santé publique (METIS) Olivier Grimaud.Merci de m'avoir offert l'opportunité de réaliser cette thèse en formation continue.Merci de m'avoir accordé la confiance sur l'organisation du travail et merci pour tes encouragements au quotidien.C'est une telle chance de pouvoir continuer à étudier, de pouvoir faire le lien entre les travaux quotidiens et cette thèse, et de pouvoir valoriser tout ce travail par un diplôme.Je tiens à remercier particulièrement Sahar Bayat, la directrice adjointe du département METIS.Merci de m'avoir accompagné toutes ces années, notamment pour les enseignements.Merci de m'avoir toujours encouragé, donné de l'assurance, poussé vers l'avant et donné de précieux conseils.Grâce à ton soutien, j'ai pu trouver un équilibre et assurer mon travail d'ingénieur informatique et cette thèse en même temps.Un grand merci également à Adélaïde, qui m'a supporté pendant ces 4 ans et demi de thèse dans notre bureau.Merci pour ta sympathie, ta compagnie, ta bonne humeur et ton sourire au quotidien.Tu es une véritable amie pour moi.Merci de m'avoir donné un si parfait exemple de doctorante modèle.Merci également d'avoir pris le soin de relire l'ensemble de mon manuscrit.Mes remerciements sincères à mes chers collègues, notamment à Nadine qui m'a aidé à résoudre toutes mes difficultés administratives.Merci pour ton écoute, ta sympathie et ton sourire au quotidien.Merci également à Cindy pour ton aide et ton partage.Et bien sur tous les autres 3.1.1Définition de la périnatalité et préoccupations de santé périnatales ........................... 3.1.2Inégalités sociales de santé de la population femmes enceinte ..............
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 | 0.011 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.025 | 0.004 |
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".