The Fecundity of the Race Discourse in Public Health and Epidemiology : Understanding the Limits of Explaining Health Disparities Using Race Categories in Brazil
Notice bibliographique
Résumé
This paper problematizes the use of race categories in epidemiological and health surveys in Brazil. The (re)production of epidemiological data using racial categories is common practice in epidemiology and public health. Often presented as a means of explaining the persistence of gaps in health status across diverse groups, racial categories have enjoyed an uncritical advantage. The rationale of using racial categories in surveys by its proponents is that such categories facilitate the development of policies that address structural inequalities in health access, and foregrounding reasons why disparities in health outcomes for minoritized and racialized groups and how broader social determinants of health (SDOH) must be addressed. Justified by the persistence of poorer health outcomes for minoritized groups in pluralistic societies, health researchers often argue for the necessity to collect data using racial categories. Utilizing the Foucauldian inspired Critical Discourse Analytic (CDA) method, this paper comments on the data quality issues related to the use of racial categories and the methodological dilemma such a practice poses for public health researchers and epidemiologists. The paper further cautions that an uncritical use of racial categories in public health surveys, reinforce and perpetuate a sense that the measures are real, their meaning uncomplicated, and their properties substantial.
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 | 0,018 | 0,004 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».