Racial/ethnic minority segregation and low birth weight in five North American cities
Notice bibliographique
Résumé
are rare in social epidemiology. Our prior work exploring racial/ethnic segregation and the prevalence of low birth weight (LBW) in communities from two large urban cities showed a strong relationship in Chicago and a very weak relationship in Toronto. This study extends that work by examining the association between racial/ethnic minority segregation and LBW in total of 307 communities in five North American cities: Baltimore, Boston, Chicago, Philadelphia, and Toronto. We used Pearson correlation coefficients and OLS regression models to examine potential variability in the association between racial/ethnic minority segregation and LBW, controlling for community-level unemployment. In a combined model with community-level data from all cities, a 10% increase in minority composition is associated with a 0.7% increase in LBW. While racial/ethnic minority segregation and unemployment are not associated with LBW in Toronto, these social determinants have strong and significant associations with LBW across communities in the four US cities in the analysis. Subsequent models revealed opposite effects for percentage non-Hispanic Black and percentage Hispanic. Across communities in the US cities in this analysis, there is considerable similarity in the strength of the effect of racial/ethnic segregation on LBW. Future work should incorporate communities from additional cities, looking to identify community assets and public policies that allow some minority communities to thrive, while other minority communities suffer from a high prevalence of LBW. More work is also needed on the generalizability of these patterns to other health outcomes.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».