Changement social et santé mentale : utiliser l'algorithme du changement social pour évaluer les impacts psychologiques de la crise du COVID-19 au Canada
Bibliographic record
Abstract
Malgré des périodes de stabilité apparente, nos sociétés changent et évoluent constamment. Si certains de ces changements sont progressifs et presque imperceptibles, les crises sociales majeures telles que la pandémie de COVID-19 ont le potentiel de générer des changements rapides et perturbateurs qui peuvent avoir des effets néfastes sur les sociétés vulnérables. Au cours du siècle dernier, les avancées en informatique ont permis le développement de modèles mathématiques visant à prédire l'apparition des crises sociales. Ces modèles ont fait d'énormes progrès dans la prédiction de l’arrivée d’une crise, par exemple en implémentant des systèmes d’avertissement précoce de crises sociales ou de violence (ICEWS, VIEWS). Cependant, ces modèles ne répondent pas à une question importante : de quelle manière cette crise affectera-t-elle notre société? L'objectif de cette recherche est de démontrer une nouvelle approche afin d’estimer les impacts des crises sociales à l'aide de l’algorithme de changement social (ACS). Cet algorithme, basé sur une nouvelle typologie multidisciplinaire du changement social, vise à modéliser le processus dynamique du changement social afin de comprendre comment se manifeste la transition d’un état sociétal à un autre lors d’une crise. Bien que les études précédentes utilisant l’ACS ont démontré sa capacité à modéliser diverses crises, des coups d’ État à la crise de la COVID-19, aucune étude n’a tenté d’associer ces modélisations à des conséquences concrètes sur les individus. Cette association permettrait de démontrer l’utilité de l’ACS, soit sa capacité à faciliter l’étude du changement social et ses impacts en générant des modèles facilement interprétables. Pour ce faire, nous avons utilisé l'ACS afin de modéliser la crise COVID-19 au Canada à l'aide de données de questionnaires longitudinaux et associé le niveau estimé de changement social aux impacts sur la prévalence d’émotions négatives et la qualité du sommeil. Les résultats indiquent que les estimations d'un changement social important sont associées à une prévalence plus élevée d'émotions négatives et fournissent des preuves d'une association avec une qualité de sommeil plus faible. Ces résultats indiquent que l’ACS produit des modèles utiles du changement social, qui permettent une meilleure compréhension du processus et des impacts des crises sociales.
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 | 0.002 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".