Ethnicity and health literacy: a survey on hypertension knowledge among Canadian ethnic populations.
Notice bibliographique
Résumé
OBJECTIVES: With an increase and diversity in ethnic populations in Westernized countries, understanding the differences in levels of knowledge surrounding hypertension is important in planning appropriate prevention strategies. The purpose of our study was to assess levels of hypertension knowledge in Chinese, Indian and White populations in a large metropolitan Canadian city. DESIGN: A telephone survey was conducted in English, Chinese (Cantonese and Mandarin) and Indian languages (Hindi, Punjabi and Urdu). Hypertension knowledge was assessed through a 10-item validated instrument; respondents received 1 point for each correct answer. Logistic regression was used to test differences in hypertension knowledge among these three populations. RESULTS: Survey response rates were 68.7% (301) for Chinese, 61.3% (248) for Indian and 69.7% (254) for White populations. The average hypertension knowledge score for Chinese respondents was 7.23 out of 10, 7.11 for Indian respondents and 7.28 for White respondents. Compared to White respondents, Chinese respondents were less likely than White respondents to know high blood pressure can cause heart attacks (adjusted odds ratio [aOR]: .43, 95% confidence interval [CI]: .19-.96] and Indian respondents were less likely to know losing weight usually decreases blood pressure (aOR: .38, 95% CI: .21-.68). CONCLUSIONS: Hypertension knowledge levels among these three ethnic/racial populations were similar and relatively high and varied by content. Low levels of knowledge for Chinese and Indian ethnic populations were on hypertension risk factors, long-term consequences of hypertension and anti-hypertensive medication adherence. Specifically, females, recent immigrants to Canada and Chinese seniors were identified as sub-groups who should be targeted for hypertension knowledge promotion.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».