Implicit Value Judgments in the Measurement of Health Inequalities
Notice bibliographique
Résumé
CONTEXT: Quantitative estimates of the magnitude, direction, and rate of change of health inequalities play a crucial role in creating and assessing policies aimed at eliminating the disproportionate burden of disease in disadvantaged populations. It is generally assumed that the measurement of health inequalities is a value-neutral process, providing objective data that are then interpreted using normative judgments about whether a particular distribution of health is just, fair, or socially acceptable. METHODS: We discuss five examples in which normative judgments play a role in the measurement process itself, through either the selection of one measurement strategy to the exclusion of others or the selection of the type, significance, or weight assigned to the variables being measured. FINDINGS: Overall, we find that many commonly used measures of inequality are value laden and that the normative judgments implicit in these measures have important consequences for interpreting and responding to health inequalities. CONCLUSIONS: Because values implicit in the generation of health inequality measures may lead to radically different interpretations of the same underlying data, we urge researchers to explicitly consider and transparently discuss the normative judgments underlying their measures. We also urge policymakers and other consumers of health inequalities data to pay close attention to the measures on which they base their assessments of current and future health policies.
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 | 0,126 | 0,480 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,028 |
| Communication savante | 0,011 | 0,016 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».