L’investissement en santé publique dans les provinces canadiennes de 1975 à 2018 : un désengagement à géométrie variable?
Bibliographic record
Abstract
Au-delà de la capacité des systèmes à faire face aux crises sanitaires, investir en prévention devrait se lire « investir pour la santé » dans la perspective plus large d’une amélioration du bien-être des populations. Plusieurs études démontrent que les programmes de santé publique contribuent à prévenir la mortalité, améliorent la qualité de vie et réduisent les coûts des soins de santé sur le court et long terme (Dyakova et al. 2017 ; Masters et al. 2017). Pourtant, le portrait des dépenses de santé dans la plupart des pays suggère un sous-financement inquiétant des dépenses préventives en santé. Ce mémoire propose un cadre formel pour démystifier les dynamiques politiques et financières sous-jacentes à la prise de décision des gouvernements en place en matière d’investissement en santé préventive. Plus précisément, il est question d’analyser les variations des dépenses en santé publique dans les provinces canadiennes de 1975 à 2018. En s’intéressant à l’organisation du système de santé dans son ensemble et au gré des réformes politiques et structurelles des provinces, les résultats de l’analyse qualitative montrent que l’émergence du nouveau management public (NMP) dans les années 1990 a globalement contribué à la diminution accordée à la prévention. L’analyse quantitative quant à elle, énonce les éléments conjoncturels et structurels financiers qui participent à la variation des dépenses en santé publique. En considérant le financement en santé publique comme un investissement à long terme, il a été démontré que les dépenses préventives ne sont pas aussi largement soutenues et constituent des investissements à long terme discrets avec peu d’appuis dans la société. Cela implique, du point de vue financier, que ce type de dépenses est plus propice aux coupures budgétaires, surtout en période de récession et de crise économique.
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 | 0.001 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.012 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.000 |
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".