MétaCan
Menu
Retour à la cohorte
Enregistrement W2062967282 · doi:10.2190/hs.43.2.b

A Comparative Study of Population Health in the United States and Canada during the Neoliberal Era, 1980–2008

2013· article· en· W2062967282 sur OpenAlexaffabout
Arjumand Siddiqi, Ichiro Kawachi, Daniel P. Keating, Clyde Hertzman

Notice bibliographique

RevueInternational Journal of Health Services · 2013
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueHealth disparities and outcomes
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésInequalitySocioeconomic statusHealth equityHealth carePolitical scienceSocial inequalityDemographic economicsDevelopment economicsSocial classPopulationPoliticsEconomic growthSociologyEconomicsDemographyLaw

Résumé

récupéré en direct d'OpenAlex

This article draws on the vast evidence that suggests, on one hand, that socioeconomic inequalities in health are present in every society in which they have been measured and, on the other hand, that the size of inequalities varies substantially across societies. We conduct a comparative case study of the United States and Canada to explore the role of neoliberalism as a force that has created inequalities in socioeconomic resources (and thus in health) in both societies and the roles of other societal forces (political, economic, and social) that have provided a buffer, thereby lessening socioeconomic inequalities or their effects on health. Our findings suggest that, from 1980 to 2008, while both the United States and Canada underwent significant neoliberal reforms, Canada showed more resilience in terms of health inequalities as a result of differences in: (a) the degree of income inequality, itself resulting from differences in features of the labor market and tax and transfer policies, (b) equality in the provision of social goods such as health care and education, and (c) the extent of social cohesiveness across race/ethnic- and class-based groups. Our study suggests that further attention must be given to both causes and buffers of health inequalities.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,121
Score d'incertitude au seuil0,266

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,363
Écart entre enseignants0,340 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations45
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Health ServicesMême sujetHealth disparities and outcomesTravaux en français237 207