Perceived discrimination and self-rated health in Canada: an exploratory study
Notice bibliographique
Résumé
BACKGROUND: Our objective was to explore whether the link between discrimination and self-rated health status differed as a function of discrimination type, including discrimination based on ethnicity/culture, race, physical appearance (other than skin colour), religion, age, and disability. METHODS: A sample of 19,422 men and women aged 15 and older was included in this study. A multivariate logistic regression analysis was used to measure the association between perceived discrimination types and self-reported health status defined as excellent/good versus fair/poor. RESULTS: The prevalence of experiencing any discrimination in the past five years was higher among those who rated their health as fair or poor (21.8 %) compared to those who rated their health as excellent or good (14.5 %, p < 0.0001). After controlling for all other covariates, there was a positive association between poorer self-rated health and two of the six specific discrimination variables entered into the model: perceived discrimination based on physical appearance (other than skin colour) (OR = 1.79, 95 % CI: 1.24, 2.58) and perceived discrimination based on a having a disability (OR = 1.59, 95 % CI: 1.04, 2.41). CONCLUSIONS: Our main findings indicate that perceived discrimination based on physical appearance and disability may have an adverse impact on health. The results highlight the need for a comprehensive approach to improving health outcomes that should include policies that are targeted against specific types of discrimination.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».