Trends in Socioeconomic Inequalities in Adult Health Behaviors among U.S. States, 1990–2004
Notice bibliographique
Résumé
OBJECTIVE: The purpose of this study was to measure state trends in educational inequalities in smoking, binge alcohol use, physical inactivity, obesity, and seatbelt use. METHODS: The authors calculated the Relative Concentration Index of educational inequality for five health behaviors on adults from all 50 states and the District of Columbia using data from 1990 to 2004 in the Behavioral Risk Factor Surveillance System (n=2,118,562). Linear regression was used to measure changes and trends in the Relative Concentration Index of health inequality across education groups in each state. RESULTS: Except for binge alcohol use, poorer health behaviors were concentrated among the less educated. The largest educational inequalities were for physical inactivity. From 1990 to 2004, significant increases in relative educational inequalities occurred in 40 states for smoking and 31 states for physical inactivity. For binge alcohol use, 27 states showed significant declining inequality trends, but educational inequalities reversed direction and binge alcohol use is now more prevalent among the less educated in 19 states. Significant decreases in educational inequalities occurred in 36 states for obesity and 24 states for seat belt use. Changes in educational inequalities across the different health behaviors were not associated, except for a modest correlation between changes in inequality in smoking and binge alcohol use (r=0.40; p=0.004). Similarly, there was little association between changes in the population prevalence of health behaviors and changes in educational inequality in health behaviors, with substantial heterogeneity among states. CONCLUSIONS: State trends in relative educational inequality among health behaviors were mixed, increasing for smoking and physical inactivity and decreasing for obesity and seat belt use. The factors influencing relative inequality trends may differ from those affecting overall prevalence trends.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».