Centre canadien de la statistique juridique et de la sécurité des collectivités
Juin 2025

Contexte

Le 15 juillet 2020, Statistique Canada et l'Association canadienne des chefs de police (ACCP) ont annoncé qu'ils s'engageaient à collaborer à la collecte de données relatives à l'identité autochtone et à l'identité racisée de tous les auteurs présumés et de toutes les victimes d'actes criminels dans le cadre du Programme de déclaration uniforme de la criminalité (DUC). Cet engagement visait à répondre à la demande croissante de meilleures données désagrégées qui pourraient rendre compte du traitement différentiel et de la surreprésentation des Autochtones et des personnes racisées au sein du système de justice pénale canadien. En raison du manque de données à l'échelle nationale, il est difficile d'évaluer avec exactitude l'ampleur de ces problèmes et de mettre au point des solutions efficaces (Commission de vérité et réconciliation du Canada, 2015; David et Mitchell, 2021; Millar et Owusu-Bempah, 2011; Samuels-Wortley, 2021; Wortley, 1999).

Alors que les données du Programme DUC se limitent aux affaires criminelles, la collecte de données relatives à l'identité autochtone et à l'identité racisée de tous les auteurs présumés et de toutes les victimes d'actes criminels peut s'avérer essentielle pour comprendre et éliminer les disparités dans le système de justice pénale (David et Mitchell, 2021; Millar et Owusu-Bempah, 2011). Comme premier point d'entrée dans le système de justice pénale, les données du Programme DUC peuvent également être utilisées pour analyser l'expérience vécue par les groupes autochtones et racisés quant à d'autres aspects du système de justice pénale, grâce au couplage des données provenant des services de police, des tribunaux et des services correctionnels.

En suivant une approche à plusieurs étapes, Statistique Canada a entrepris les travaux en vue de la collecte de ces données par les services de police. La suite du présent rapport comporte un survol des phases du projet terminées, de l'état d'avancement et des prochaines étapes. La figure ci-dessous montre les principaux produits livrables et les échéanciers.

À la suite de l'annonce conjointe en 2020, Statistique Canada a mené des consultations au sein de l'organisme et auprès de ses principaux partenaires sur la meilleure façon d'aborder le projet de collecte de données sur les identités autochtones et racisées des victimes et des auteurs présumés d'actes criminels dans le cadre du Programme DUC. Au cours de la phase I du projet, Statistique Canada s'est lancé dans un processus de consultation pour obtenir des commentaires provenant de divers points de vue, y compris auprès des organisations autochtones et des groupes racisés, des services de police, des universitaires et d'autres parties intéressées à l'échelle des administrations nationales, provinciales ou territoriales, municipales et locales. Statistique Canada a ensuite remis, à plus de 500 intervenants désignés, un document de mobilisation accompagné d'un guide de discussion en vue d'obtenir des commentaires et des suggestions. L'organisme a également tenu des tables rondes virtuelles de juillet 2021 à février 2022. Ces consultations ont amené Statistique Canada à publier le document intitulé Rapport et propositions de recommandations en septembre 2022 pour orienter les prochaines étapes du projet. Les activités entreprises depuis le rapport de septembre sont brièvement décrites ci-dessous. Pour obtenir de plus amples renseignements sur la phase I du projet, veuillez consulter le rapport complet de septembre.

L'objectif pour la phase II du projet (voir « Ce que nous avons fait ») était de mettre au point une feuille de route du processus pour convertir les recommandations provisoires du rapport de septembre en méthodes et plans concrets de collecte et d'analyse des données. À l'instar des consultations tenues lors de la phase I, Statistique Canada a mené une deuxième ronde de consultations auprès de divers partenaires provenant de différents horizons, y compris des organismes communautaires, des universitaires, des services de police, des associations policières et d'autres parties intéressées au sein des administrations nationales, provinciales ou territoriales, municipales et locales, afin d'obtenir leurs points de vue sur les recommandations et de prendre connaissance des préoccupations et des considérations liées à la mise en œuvre. La section « Ce que nous avons fait » présente les efforts déployés pour opérationnaliser l'initiative au cours de cette phase.

Une fois la phase II terminée, l'accent sera mis sur la phase III (mise en œuvre). Les objectifs pour cette phase sont brièvement décrits dans la section « Où nous dirigeons-nous? ».

Pour obtenir les plus récents renseignements sur cette initiative, visitez les Statistiques sur la criminalité et la justice.

1. Contexte
2. Attributs de la qualité
3. Pratiques d'assurance de la qualité des données
4. Listes de contrôle

1. Contexte

Question : Qu'obtient-on lorsqu'on combine « données » et « qualité »?

Réponse : La trousse de la qualité des données!

Eh bien, techniquement, on obtient la « qualité des données », mais dans le contexte de cette page Web, on peut envisager la trousse comme une prime très avantageuse.

Cela étant dit, une question demeure : en quoi consiste exactement la qualité des données?

Pour répondre à cette question, nous devons d'abord répondre à deux autres questions :

• Qu'est-ce que les données?
• Qu'est-ce que la qualité?

Les données sont constituées de chiffres, de lettres et de symboles. Elles deviennent de l'information lorsqu'on les organise sous forme d'ensembles, d'expressions ou de modèles. Nous utilisons l'information pour déterminer des besoins, pour mesurer des répercussions et pour prendre des décisions éclairées. Si les données à partir desquelles nous avons établi des conclusions ou pris des décisions sont incorrectes à certains égards, ces conclusions et ces décisions peuvent également être incorrectes ou trompeuses.

La qualité est mesurée en fonction de diverses caractéristiques, qui varient selon le point de vue choisi. Nous examinons ces caractéristiques dans la section qui suit.

Pour ce qui est du producteur de données, les mesures de la qualité comprennent la reproductibilité du processus, l'actualité et la ponctualité de la livraison des données et des métadonnées, la volonté et la capacité de soutenir les utilisateurs de données ainsi que l'impression d'autorité, d'impartialité et de confiance que dégage le producteur. Pour ce qui est des données et des métadonnées proprement dites, les mesures de la qualité comprennent la pertinence et l'utilité, la couverture, la granularité, l'exactitude et la fiabilité ainsi que la normalisation ou conformité.

Tous ces éléments nous amènent à la qualité des données, un concept modelé par les deux notions décrites ci dessus, et qui fournit deux façons de déterminer si les données sont susceptibles d'être appropriées ou non :

• On peut décrire ce qui a été fait au cours de la collecte et du traitement des données en vue de s'assurer que les données sont correctes.
• On peut observer les caractéristiques mesurables des données.

Bien que le respect de bonnes pratiques en matière d'assurance de la qualité des données ne garantisse pas leur validité, il réduit la probabilité qu'il y ait des erreurs. Mener une évaluation de la qualité des données constitue un moyen de déterminer la mesure selon laquelle les données sont protégées des erreurs. En communiquant cette évaluation aux utilisateurs, on leur donne confiance en la qualité des données qu'ils utilisent.

2. Attributs de la qualité

Attributs de la qualité liés au producteur de données^{Définition de producteur de données}

Pratiques d'assurance de la qualité^{Voici des exemples de méthodes d'assurance de la qualité} : Mesure selon laquelle les pratiques d'assurance de la qualité visées et consignées ont été appliquées dans le cadre de la collecte et du traitement des données, aussi bien sur le plan de l'engagement du producteur de données à l'échelle organisationnelle, que sur le plan de la mise en œuvre de pratiques de suivi et de production de rapports à l'échelle opérationnelle.

Reproductibilité du processus : Mesure selon laquelle le processus de production de données peut être reproduit ou répété. Parmi les exemples de processus non reproductibles figurent les processus ponctuels ou encore les cas où des étapes intermédiaires ou des fichiers de données n'ont pas été archivés et ne peuvent être recréés.

Actualité et ponctualité : L'actualité correspond à l'intervalle entre la fin de la période de référence des données et le moment où elles sont mises à la disposition des utilisateurs. Idéalement, cet intervalle est court, et les données et les métadonnées sont diffusées au même moment. La ponctualité désigne la mesure selon laquelle les données et les métadonnées fiables sont diffusées au moment prévu, comme prévu ou tel que promis par le producteur de données.

Caractère joignable : Volonté et capacité du producteur de données à discuter des données avec des utilisateurs potentiels, voire à faciliter l'utilisation des données.

Viabilité : Mesure selon laquelle on peut prévoir que le producteur de données continuera de produire les données pendant une période de temps raisonnable.

Impression d'autorité, d'impartialité et de confiance : Mesure selon laquelle le producteur de données est perçu comme faisant autorité en la matière, comme étant à l'abri de toute influence excessive des intervenants ou d'autres organismes, et comme étant digne de confiance.

Sécurité : Mesure selon laquelle la sécurité des données est assurée dans tous les fonds de données et lors de toute communication, et selon laquelle l'accès aux données durant la production est limité aux personnes ayant reçu la formation et les autorisations appropriées. Notamment, l'accès est accordé selon le principe du besoin de savoir.

Attributs de la qualité liés aux données et aux métadonnées^{Définition de métadonnées}

Pertinence et utilité : Mesure selon laquelle les données concernent le phénomène voulu. Les données seront considérées comme étant moins pertinentes si elles datent de trop longtemps ou ne renseignent pas sur le sujet d'intérêt. L'utilité des métadonnées renvoie à la mesure selon laquelle les données sont décrites en fonction des méthodes, des concepts, des limites, des hypothèses et des pratiques d'assurance de la qualité adoptées.

Couverture : Mesure selon laquelle les données représentent l'ensemble du phénomène voulu. Cet attribut peut être évalué en fonction de la couverture temporelle ou géographique, ou de la couverture des unités de population (c.-à-d. personnes, ménages, entreprises). On utilise parfois le terme intégralité pour désigner la couverture (plus particulièrement dans le contexte des métadonnées).

Granularité : Désigne l'unité ou le niveau d'un enregistrement particulier de l'ensemble de données. Par exemple, un ensemble de données à un niveau très détaillé peut contenir les enregistrements pour des particuliers, des procédures médicales ou des lacs, tandis qu'un ensemble de données à un niveau moins détaillé peut contenir des enregistrements agrégés par province ou année. Plus un ensemble de données est détaillé ou local, plus la valeur perçue est élevée et, en contrepartie, plus le besoin de protéger les données contre une divulgation non autorisée est accru. Il est généralement facile d'agréger les données ou d'en réduire la granularité, mais il n'est habituellement pas possible d'accroître la granularité de données déjà agrégées.

Exactitude et fiabilité : Mesure selon laquelle les données décrivent correctement le phénomène qu'elles sont censées mesurer. La fiabilité désigne la mesure selon laquelle les données sont exactes au fil du temps. L'exactitude renvoie souvent à deux éléments : la précision, pour évaluer la similitude de mesures répétées d'une même situation, et le biais, pour mesurer tout écart systématique par rapport à la réalité des données. Les autres facteurs qui contribuent à l'exactitude et à la fiabilité des données sont la validité, soit la mesure selon laquelle les valeurs des variables de l'ensemble de données correspondent aux résultats attendus, et la cohérence, soit la mesure selon laquelle les données sont exemptes de contradictions.

Normalisation ou conformité : Mesure selon laquelle les données et les métadonnées respectent des normes reconnues en matière de présentation et de conventions d'appellation, ainsi que des normes de diffusion reconnues comme SDMX pour les produits statistiques. Parmi les autres aspects liés à la normalisation et à la conformité, mentionnons l'utilisation de logiciels et de formats de fichier conformes aux normes de l'industrie et le vocabulaire contrôlé pour les valeurs des données, au besoin.

Protection de renseignements de nature délicate : Il est interdit de divulguer des renseignements de nature délicate contenus dans des ensembles de données mis à la disposition d'utilisateurs autres que ceux autorisés à les consulter, à moins d'en avoir obtenu l'autorisation explicite. Parmi les exemples de renseignements de nature délicate, mentionnons les identificateurs qui permettent d'associer les données granulaires à une personne, à un ménage ou à une entreprise, ou encore des données agrégées dont le niveau de détail est suffisant pour permettre de déduire les attributs d'une personne, d'un ménage ou d'une entreprise. Il existe différentes façons de protéger les données pour éviter la divulgation de renseignements délicats, en fonction de la nature et de la granularité des données. On peut notamment supprimer ces renseignements ou appliquer le concept de perturbation aléatoire aux valeurs de données. De nombreux algorithmes de contrôle des divulgations fournissent des diagnostics du niveau de protection atteint.

Possibilité de combinaison ou de couplage : Mesure selon laquelle il est possible d'intégrer deux sources de données ou plus. Par exemple, des identifiants uniques, comme le numéro d'assurance sociale, le numéro d'entreprise ou le numéro d'assurance-maladie, peuvent être appariés directement, tandis que des identificateurs non uniques, comme le nom, le sexe, la date de naissance et l'adresse, peuvent être couplés au moyen d'algorithmes de couplage statistiques fondés sur les probabilités. L'intégration des ensembles de données est améliorée lorsque le concept représenté par un seul enregistrement de chaque ensemble de données est aligné.

Accessibilité : Facilité avec laquelle l'utilisateur peut obtenir et utiliser les données et les métadonnées. Les données et les métadonnées facilement accessibles sont munies d'étiquettes, de mots clés et de balises pertinents et appropriés afin qu'elles puissent être repérées de façon électronique; elles sont présentées dans un format ou logiciel couramment utilisé; et elles sont téléchargeables ou accessibles au moyen de processus transparents et clairs. L'accessibilité consiste également à réduire les obstacles à l'accès, notamment les coûts.

Possibilité de traitement et intelligibilité : Facilité avec laquelle l'utilisateur peut manipuler, interpréter, explorer, analyser et utiliser les données et les métadonnées. Un autre élément important de cet attribut est la mesure selon laquelle les métadonnées et d'autres services de soutien des producteurs de données favorisent la bonne utilisation des données, par exemple, en y incluant les indicateurs de qualité appropriés.

Impression de fiabilité et de crédibilité : Mesure selon laquelle les données sont perçues comme étant fiables et les métadonnées comme étant crédibles.

3. Pratiques d'assurance de la qualité des données

Il existe un éventail de bonnes pratiques, et celles-ci peuvent être adoptées par toute organisation produisant des données. Les producteurs de données peuvent adapter ces pratiques à leur propre environnement. Dans ce cadre, nous les invitons à consigner leurs pratiques d'assurance de la qualité des données et à transmettre cette documentation à leurs utilisateurs de données. En effet, lorsque les utilisateurs sont informés des pratiques d'assurance de la qualité observées au cours de la production des données, leur confiance en la qualité des données augmente. Ces pratiques d'assurance de la qualité sont un sous ensemble de celles contenues dans le Cadre d'assurance de la qualité et les Lignes directrices concernant la qualité.

Pratiques d'assurance de la qualité des données pour la production de registres et de bases de données

• Utiliser des identifiants uniques connus (p. ex. numéro d'assurance sociale, numéro d'entreprise, numéro d'assurance-maladie) avec des mesures de protection appropriées des renseignements délicats.
• Utiliser des chiffres de contrôle sur ces identifiants uniques connus pour garantir la validité des valeurs.
• Utiliser des menus déroulants, des tables de consultation ou des listes de référence pour les variables auxquelles correspond un ensemble de codes^{Définition d'ensemble de codes} déterminé.
• Utiliser des présentations standard reconnues dans la mesure du possible, par exemple, la norme ISO 8601 pour les dates (AAAAMMJJ) et l'heure (HH:MM), les abréviations standard des provinces (ON, MB, etc.).
• Inclure une validation intégrée permettant de signaler la saisie de données aberrantes ou de valeurs inattendues.
• Utiliser une règle logique et consignée d'attribution de noms pour les variables et les fichiers.
• Consigner les règles d'inclusion et d'exclusion, les procédures à suivre et les vérifications de la qualité.
• Produire des ensembles de données de sortie à des intervalles réguliers et prévisibles (c'est-à-dire le dernier jour de chaque mois ou le dernier jour de chaque année).
• Définir et mettre en œuvre une stratégie pour la sauvegarde, le stockage et la rétention des données.

Pratiques d'assurance de la qualité des données pour les données d'enquête (enquête-échantillon ou recensement)

• Utiliser des méthodes d'échantillonnage, de pondération et d'estimation valables sur le plan statistique.
• S'assurer que toutes les méthodes sont consignées et reproductibles.
• S'assurer que la base de sondage est aussi à jour, complète et exacte que possible.
• Consigner la période, la couverture géographique et les unités de population de la base de sondage et de l'échantillon.
• Mettre à l'essai la fluidité et l'intelligibilité du questionnaire.
• Choisir une méthode de collecte appropriée pour la population cible et le domaine spécialisé, en tenant compte des facteurs liés aux coûts et d'autres facteurs.
• Utiliser une technique de contrôle de la qualité telle que le contrôle statistique du processus^{Définition de contrôle statistique du processus} pour vérifier l'exactitude des données recueillies.
• Tenter au moins une fois de prendre contact avec chaque unité échantillonnée et consigner chaque tentative.
• Utiliser les ressources de vérification de manière efficiente et efficace, c'est-à-dire faire en sorte que les données soient adaptées à leur utilisation prévue^{Définition d'« adaptation à l'utilisation »} sans chercher à les rendre « parfaites ».
• Valider les données agrégées ou totalisées par rapport à d'autres sources.

Pratiques d'assurance de la qualité des données pour la production de données numérisées, de données satellitaires et de données de compteurs

• Utiliser une technique de contrôle de la qualité telle que l'échantillonnage pour acceptation^{Définition d'échantillonnage pour acceptation} ou la vérification sur le terrain^{Définition de vérification sur le terrain} pour garantir l'exactitude des données.
• S'assurer de communiquer les modifications à tous les utilisateurs, par exemple, lorsqu'un nouveau code universel des produits (CUP) est adopté.

Pratiques d'assurance de la qualité des données pour la combinaison de données provenant de différentes sources

• S'assurer de la concordance des définitions des concepts, des populations d'intérêt, des unités d'observation et des périodes de référence.
• Mentionner toutes les sources de données et leur contribution au produit final.
• Analyser les données non appariées ou inutilisées pour comprendre les raisons pour lesquelles il n'y a pas eu de correspondance.
• S'assurer que toutes les méthodes sont consignées et reproductibles.

Pratiques d'assurance de la qualité pour les métadonnées (documentation)

• Tenir compte des besoins en documentation dans la planification du projet et l'affectation des ressources.
• Consigner au fur et à mesure; ne pas laisser cette tâche pour la fin.
• Utiliser des modèles et des règles d'attribution de noms normalisées.
• Décrire tous les concepts, la population visée par les données, les limitations des données ou les exceptions éventuelles qu'elles contiennent et la période de référence.
• Décrire toutes les méthodes utilisées pour l'échantillonnage, la collecte, la saisie et la vérification des données ainsi que pour la combinaison de données provenant de différentes sources et pour la totalisation.
• Décrire les mesures en matière de sécurité des données.
• Décrire les méthodes d'assurance de la qualité suivies.
• Décrire les mesures prises pour prévenir la divulgation de renseignements de nature délicate.
• Fournir des statistiques sommaires portant sur les principales variables (moyenne, médiane, mode, intervalle et ensemble des valeurs valides).
• Fournir un dictionnaire de données ou un vocabulaire contrôlé pour les variables, au besoin.
• Utiliser des présentations standard reconnues dans la mesure du possible, par exemple, la norme ISO 8601 pour les dates (AAAAMMJJ) et l'heure (HH:MM), les abréviations standard des provinces (ON, MB, etc.).
• Mettre la documentation à la disposition des utilisateurs de données.
• Utiliser des étiquettes, des balises et des mots clés pertinents et appropriés pour que les données et les métadonnées associées puissent être repérées de façon électronique.
• Surveiller et consigner les mises à jour et les révisions.

Pratiques d'assurance de la qualité des données pour la sécurité et l'accessibilité des données et la protection contre la divulgation de renseignements de nature délicate

• Pendant le processus de production de données, limiter l'accès aux personnes ayant reçu la formation et les autorisations appropriées, et dont le besoin d'accéder aux renseignements a été établi (« besoin de savoir »).
• Pendant le processus de production de données, assurer la sécurité des données dans tous les fonds de données et lors de toute communication, au moyen du cryptage et d'autres techniques.
• Adopter la stratégie de la « source unique de vérité » en vue de minimiser la duplication des renseignements et des efforts, grâce notamment à des structures de base de données efficaces.
• Utiliser des présentations standard pour les noms, les dates, les adresses et les autres variables couramment utilisées (normes internationales, régionales et nationales au besoin, comme la norme ISO 8601 pour la date et l'heure : AAAAMMJJ HH:MM selon le système horaire de 24 heures).
• Utiliser des logiciels et formats de fichier standard pour les fichiers mis à la disposition des autres utilisateurs.
• Prévoir la possibilité de communiquer des ensembles de données au niveau de granularité (niveau de détail) le plus fin possible et se préparer en conséquence.
• Effectuer des sauvegardes régulières.
• Définir et mettre en œuvre une stratégie pour le stockage et la rétention des données.
• Assurer la protection contre la divulgation de renseignements délicats (l'identité ou les attributs d'une personne ou d'une entreprise) en masquant les valeurs^{Définition de masquage de valeurs} et au moyen d'autres techniques.

4. Listes de contrôle

Merci d'avoir lu la trousse! Afin que nous puissions répondre encore mieux à vos besoins, veuillez prendre quelques minutes pour nous indiquer les parties que vous avez trouvées utiles, les renseignements qui pourraient être ajoutés et les aspects qui pourraient être améliorés. Si vous avez des questions, n'hésitez pas à nous en faire part, c'est avec plaisir que nous y répondrons. Veuillez envoyer un courriel au Secrétariat de la qualité de Statistique Canada.

Explorez les plus récentes diffusions du Recensement de l'agriculture par date de diffusion et par type de diffusion à l'aide des options de filtrage pratiques.

Cet outil de travail est conçu pour vous aider à évaluer de manière critique les données qui vous sont présentées. Aucunes données ne sont parfaites. En comprenant les forces et les limites des données, vous pouvez éviter d'être induit en erreur et ainsi prendre des décisions éclairées en étant mieux informé.

Une version PDF (PDF, 139.67 Ko) de « Remettre en question les données : Aide-mémoire » peut être téléchargé pour être imprimé ou utilisé hors ligne.

Présentations

Présentation #1 : Explorer les tendances importantes et les répercussions de l'immigration à Terre-Neuve-et-Labrador au moyen des données

9 h 30 à 11 h 30 HNT

Tout comme le Canada, Terre-Neuve-et-Labrador a connu des changements récents en ce qui a trait aux caractéristiques démographiques, notamment le nombre d'immigrants permanents et temporaires entrants, et aux migrations interprovinciales. En plus de ces changements, Terre-Neuve-et-Labrador connaît aussi un vieillissement de la population, des changements dans la diversité ethnoculturelle et linguistique et une augmentation des différences régionales, notamment entre les régions urbaines et rurales.

Le statisticien en chef du Canada présentera un portrait statistique qui décrira ces récents changements et tendances et les mettra en perspective par rapport aux tendances à l'échelle du pays et des autres provinces. On abordera également certaines tendances possibles à venir en fonction des projections démographiques. Il y aura un groupe d'experts qui participera à une discussion sur les répercussions sociales et économiques possibles.

Présentation #2 : Les données peuvent-elles sauver des vies en réponse aux changements climatiques et aux catastrophes naturelles?

13 h 00 à 15 h 00 HNT

Terre-Neuve n'est pas étrangère aux phénomènes météorologiques extrêmes et aux catastrophes naturelles. Comment les données peuvent-elles fournir des renseignements concrets pour comprendre l'incidence potentielle des catastrophes naturelles sur la population et l'économie de la province? Le statisticien en chef du Canada présentera un portrait statistique qui s'appuiera sur des événements récents pour montrer la façon dont les données peuvent mettre en lumière les répercussions sur l'économie, et montrera la façon dont les données peuvent être utilisées pour comprendre les profils des collectivités afin de se préparer, de réagir et de se remettre d'une catastrophe naturelle ou d'un événement d'urgence.

En partenariat avec le Harris Centre et le RAnLab de l'Université Memorial, une discussion entre experts et une période de questions suivront les présentations. Nous vous encourageons à donner votre avis sur ces sujets très important.

Nous espérons sincèrement que vous vous joindrez à nous pour ce qui sera sans aucun doute des discussions stimulantes et fructueuses.

Renseignements généraux

Quand : Le mercredi 24 janvier 2024 – 9 h 30 à 15 h 00 HNT

Où : Emera Innovation Exchange, Campus de Signal Hill, Université Memorial
100 Signal Hill Rd, St. John's NL A1A 1B3

Coût : Gratuit

Si vous êtes inscrit à l'événement mais ne pouvez plus y assister, contactez-nous pour annuler votre inscription.

Présentateur

Anil Arora, Statisticien en chef du Canada, Statistique Canada

Animateurs

• Samuel Dupéré, Gestionnaire du centre de services de données (Est), Statistique Canada
• Jamie Ward, Gestionnaire du laboratoire d'analyse régional (RAnLab), Centre Harris, Emera Innovation Exchange, Campus de Signal Hill, Université Memorial

Modérateur

Tony Labillois, Directeur général, Direction de la statistique juridique, de la diversité et de la population, Secteur de la statistique sociale, de la santé et du travail, Statistique Canada

Panélistes

Présentation #1

• Mot de bienvenue, Neil Bose, Président, Université Memorial de Terre-Neuve
• Tony Fang, professeur et titulaire de la chaire Stephen Jarislowsky sur la transformation économique et culturelle, Université Memorial de Terre-Neuve
• Jim Murphy, directeur des services d'emploi, Association pour les nouveaux Canadiens (ANC)
• Constanza Safatle, Entrepreneure et militante, Newbornlander

Présentation #2

• Mot de bienvenue, Lisa Browne, vice-présidente (administration, finances et promotion), Université Memorial de Terre-Neuve
• Emma Power, consultante, Fundamental Inc.
• Joel Finnis, climatologue, Département de Géographie, Université Memorial de Terre-Neuve
• Willa Neilsen, spécialiste des services climatiques du Labrador, CLIMAtlantic

Veuillez noter que vous recevrez un courriel de confirmation après votre inscription.

Une interprétation simultanée (anglais, français) sera disponible pendant l'événement.

Inscription

Les inscriptions sont maintenant terminées.

L’Enquête canadienne sur les mesures de la santé (ECMS) est une enquête nationale qui vise à recueillir des renseignements qui permettront d’améliorer la prévention, le diagnostic et le traitement des maladies et de promouvoir la santé et le mieux-être des Canadiens et Canadiennes. Les données recueillies seront utilisées par le milieu de la recherche pour mieux comprendre les relations entre les facteurs de risque associés à la maladie et les conditions de risque telles que l’obésité, l’hypertension, les maladies cardiovasculaires, et l’exposition à des maladies infectieuses et aux contaminants environnementaux.

De plus, l’enquête mettra en lumière les maladies, donnera une meilleure idée de la proportion de maladies non diagnostiquées chez les Canadiens et Canadiennes, et permettra aux spécialistes du domaine de la santé et aux équipes de recherche de relever les défis en matière de santé publique. Les données recueillies précédemment dans le cadre de l’enquête ont notamment permis d’élaborer les Directives canadiennes en matière de mouvement sur 24 heures et le bulletin de ParticipACTION.

La Trousse de soutien de l’ECMS met à votre disposition en un seul endroit pratique des outils et des ressources pour vous aider, ainsi que votre organisation, à communiquer des renseignements sur l’enquête. N’hésitez pas à consulter et à utiliser notre matériel promotionnel chaque fois que vous en aurez besoin!

Pour en savoir plus, consultez notre page de renseignements pour les participants aux enquêtes et le Calendrier des centres d'examen temporaire de l’ECMS.

Matériel promotionnel

Des produits et des ressources que vous pouvez faire parvenir à votre collectivité et à votre réseau :

• Infographie
• Introduction à l'ECMS (vidéo)

Contenu pour les médias sociaux

Statistique Canada invite ses partenaires communautaires à faire connaître cette enquête à leurs réseaux respectifs. Vous pouvez copier-coller le texte ci-dessous et sauvegarder l'image sur votre appareil afin de facilement partager ce contenu sur vos comptes de médias sociaux.

Message 1

Les données recueillies dans le cadre de l’Enquête canadienne sur les mesures de la santé peuvent mettre en lumière les maladies et donner une meilleure idée de la proportion de maladies non diagnostiquées chez les Canadien∙nes. Les résultats aideront les spécialistes du domaine de la santé et du milieu de la recherche à relever les défis en matière de santé publique.

Si vous avez été sélectionné∙e pour l’enquête, merci d’y participer : https://ow.ly/ZA8b50VgP6U.

#SantéCdn

Message 2

Statistique Canada est dans notre région pour mener l’Enquête canadienne sur les mesures de la santé!

Les données recueillies seront utilisées par les équipes de recherche pour mieux comprendre les relations entre les facteurs de risque associés à la maladie et les conditions de risque telles que l’obésité, l’hypertension, les maladies cardiovasculaires, et l’exposition à des maladies infectieuses et aux contaminants environnementaux.

Si vous avez été sélectionné∙e pour l’enquête, merci d’y participer : https://ow.ly/ZA8b50VgP6U.

#SantéCdn

Message 3

Statistique Canada mène actuellement l’Enquête canadienne sur les mesures de la santé, qui vise à recueillir des renseignements qui permettront d’améliorer la prévention, le diagnostic et le traitement des maladies et de promouvoir la santé et le mieux-être des Canadiens et Canadiennes.

Pour en apprendre davantage ou si vous avez été sélectionné∙e pour cette enquête, visitez cette page Web : https://ow.ly/ZA8b50VgP6U.

#SantéCdn

Images pour les médias sociaux

Message 4

L’Enquête canadienne sur les mesures de la santé est en cours! Si vous avez été sélectionnée, merci d’y participer.

• Télécharger l'image pour message 4

Message 5

Statistique Canada est dans notre région pour mener l’Enquête canadienne sur les mesures de la santé!

• Télécharger l'image pour message 5

Message 6

L’Enquête canadienne sur les mesures de la santé est en cours dans notre collectivité! Si vous avez été sélectionné(e), merci d’y participer.

• Télécharger l'image pour message 6

Message 7

L’Enquête canadienne sur les mesures de la santé est en cours! Si vous avez été sélectionné(e), merci d’y participer.

• Télécharger l'image pour message 7

Suivez-nous sur les réseaux sociaux

Conditions d'utilisation

Modification du matériel

L'utilisation des symboles officiels du gouvernement du Canada est restreinte aux communications, aux opérations et aux activités du gouvernement du Canada. Les documents téléchargés à partir de la Trousse de soutien pour les partenaires de l’Enquête canadienne sur les mesures de la santé doivent être utilisés tels qu'ils sont fournis. Le matériel ne peut pas être modifié de quelque façon que ce soit.

Langues officielles

Tout le matériel est disponible en français et en anglais.

Nous vous invitons à publier et à distribuer tout le matériel dans les deux langues officielles.

Mot-symbole « Canada »

Le mot-symbole « Canada » figure sur les produits. Il ne peut pas être reproduit, tronqué, modifié ou supprimé.

Signature de Statistique Canada

La signature de Statistique Canada figure sur les produits. Il ne peut pas être reproduit, tronqué, modifié ou supprimé.

Pour en savoir plus sur les conditions d'utilisation établies par Statistique Canada, veuillez envoyer un courriel à infostats@statcan.gc.ca.

• Infographie
• Introduction à l'ECMS (vidéo)
  • 
  • Instagram
  • LinkedIn
  • Reddit
  • X (formerly Twitter)
  • YouTube

Version PDF (PDF, 429.36 Ko)

Moyens par lesquels Statistique Canada peut aider à répondre à vos besoins en matière de recherche en santé.