First Nations Community Well-Being Research and Large Data Sets: A Respectful Caution
Notice bibliographique
Résumé
Health researchers are increasingly encouraged to use large, community-level data sets to examine factors that promote or diminish health, including social determinants. First Nations people in Canada experience disparity in a range of social determinants of health that result in relatively low community well-being scores, when compared to non-First Nations people. However, First Nations people also possess unique protective factors that enhance well-being, such as traditional language usage. Large data sets offer First Nations a new avenue for advocating for supports and services to decrease health inequity while developing culture-based evidence. However, care must be taken to ensure that these data are interpreted appropriately. In this paper, we respectfully offer a cautionary note on the importance of understanding culture and context when conducting First Nations health research with large data sets. We have framed this caution through a narrative presentation of a simple and concrete example. We then outline some approaches to research that can ensure appropriate development of research questions and interpretation of research findings.
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 | 0,514 | 0,753 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,008 | 0,005 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,008 | 0,037 |
| Communication savante | 0,018 | 0,030 |
| Science ouverte | 0,017 | 0,015 |
| Intégrité de la recherche | 0,014 | 0,044 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».