Le débat public sur les dispositifs numériques de recherche de contacts durant la pandémie de Covid-19 : comparaison entre la France et le Québec
Bibliographic record
Abstract
La recherche de contacts est une pratique courante en santé publique dans la lutte contre les maladies infectieuses mais avec la pandémie de la Covid-19, c'est la première fois que cette pratique est adaptée sous la forme numérique. Une application de recherche de contacts et très différente des autres plateformes d'e-santé, elle ne répond pas au même objectif, elle implique des risques supplémentaires concernant le respect de la vie privée, d'autant plus que sa pertinence n'est pas encore établie. Ce projet de recherche vise, dans un premier temps, à questionner les enjeux sociotechniques qui sont apparus lors de la création et du déploiement des applications française et canadienne. Nous élaborerons un corpus documentaire en vue de faire une cartographie de la controverse pour ensuite comparer les différentes approches. Dans un deuxième temps, nous cherchons à connaître les facteurs qui poussent les citoyens à adopter ou à rejeter ces applications grâce à l'analyse d'entretiens individuels. Au terme de cette étude, il appert que les enjeux principaux dans le débat public sur les applications de traçage concernaient l'architecture du dispositif, centralisée ou décentralisée. Or, qu'une application de contact tracing soit centralisée ou décentralisée ne semble pas avoir été déterminant pour les individus interrogés (7 en France et 7 au Québec), lesquels restent méfiants et très largement sceptiques quant à l'utilisation de la technologie pour répondre à la crise sanitaire. Il n'y a pas eu de différence majeure entre les Québécois et Français : dans tous les cas, les applications de recherche de contacts sont majoritairement perçues comme un outil de surveillance des citoyens par l'État.
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 | 0.020 | 0.079 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.008 | 0.011 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.010 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.017 | 0.002 |
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".