Notice bibliographique
Résumé
Diversity in both biological attributes and the external, lived environment gives rise to different susceptibilities, exposures, health outcomes, and longevity. Public policy can modify the effects of external differences, if groups at greatest risk are identified and pathways to excess vulnerability are understood, by rebalancing and redistributing the inputs or social determinants that work their way under the skin to ultimately cause biological disadvantage. In the past three decades, a large volume of research has identified the nature of these social determinants of health—including income, socioeconomic status (SES), income inequality, social connectedness, and social capital—and the pathways by which they undermine or reinforce innate health. Often listed among these, but rarely studied, is gender. Medical research may identify sex differences when they exist; however, the varied social roles, expectations, and constraints experienced by men and women in a given society go well beyond the individual and sex differences and are rarely examined as inputs responsible for variation in health outcomes. As a result, health-affirming policies tend to homogenize groups (e.g., assuming that all women are the same) or target individual behaviors, and do so in a gender-blind fashion rather than addressing structural biases and inequities that undermine those behaviors. This article explores the nature of gender as a determinant of health and describes how the effects of gender inequities can be included in health outcomes research that can then shape health planning and policy.
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 | 0,119 | 0,147 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,005 | 0,012 |
| Communication savante | 0,007 | 0,015 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».