Priority Setting in Indigenous Health: Why We Need an Explicit Decision Making Approach
Notice bibliographique
Résumé
Indigenous Australians have significantly poorer health outcomes than the non-Indigenous population worldwide. The Australian government has increased its investment in Indigenous health through the "Closing the Health Gap" initiative. Deciding where to invest scarce resources so as to maximize health outcomes for Indigenous peoples may require improved priority setting processes. Current government practice involves a mix of implicit and explicit processes to varying degrees at the macro and meso decision making levels. In this article, we argue that explicit priority setting should be emphasized in Indigenous health, as it can ensure that the decision making process is accountable, systematic, and transparent. Following a review of the literature, we outline four key issues that need to be considered for explicit priority setting: developing an Indigenous health "constitution," strengthening the evidence base, selecting mechanisms for priority setting, and establishing appropriate incentives and institutional structure. We then summarize our findings into a checklist that can help a decision makers ensure that explicit priority setting is undertaken in Indigenous health. By addressing these key issues, the benefits of an explicit approach, which include increased efficiency, equity, and use of evidence, can be realized, thereby maximizing Indigenous health outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,230 | 0,217 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,030 |
| Communication savante | 0,015 | 0,017 |
| Science ouverte | 0,006 | 0,012 |
| Intégrité de la recherche | 0,008 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».