Vérification de deux méthodes d’estimation indirecte de la mortalité
Bibliographic record
Abstract
L’utilisation de méthodes d’estimation s’avère souvent indispensable pour étudier la mortalité de populations pour lesquelles les données nécessaires sont déficientes. Mais, quelle confiance peut-on accorder à ces méthodes? Jusqu’à quel point sont-elles efficaces et quelles sont les marges d’erreur qu’elles comportent? Le présent article examine deux méthodes d’estimation indirecte de la mortalité : la méthode de Bourgeois-Pichat (estimation de l’espérance de vie à la naissance), et celle utilisée par Bourbeau et Légaré (Bourbeau et Légaré, 1982), qui consiste à estimer, pour une population donnée, certains indices de mortalité du passé en utilisant le décalage (en années de calendrier) observé à une époque récente entre cette population et certaines autres populations (méthode des écarts). Nous appliquons ces méthodes aux données de la Norvège pour la période 1826-1976. Les résultats sont ensuite mis en comparaison avec les données observées pour la même période. À partir de ces applications et comparaisons, nous faisons une évaluation de chacune des méthodes, en faisant ressortir les avantages et les inconvénients qui les caractérisent. Nous mettons toutefois l’accent sur la méthode des écarts, dont l’utilisation par Bourbeau et Légaré est la première du genre pour estimer certains indices de mortalité du passé.
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 | 0.040 | 0.090 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 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".