Listen… and Speak: A Discussion of Weight Bias, its Intersections with Homophobia, Racism, and Misogyny, and Their Impacts on Health
Notice bibliographique
Résumé
This article is a version of the Ryley-Jeffs Memorial Lecture, delivered on 8 June 2018. It discusses weight bias and the intersections with homophobia, racism, and misogyny, and how these impact health. While the dominant discourse attests that people can lose weight and keep it off, evidence informs us that maintenance of weight loss is unlikely. Using a flawed epistemological framework, obesity has been declared a disease, and weight bias been perpetuated. Weight bias is pervasive, both in the general public and amongst health professionals, often using inappropriate tools to assess the impact of weight on health. This contributes to overlooking the life circumstances that truly cause morbidity: social determinants of health such as income, social connectedness and isolation, adverse childhood experiences, and cultural erasure. A variety of tools dietitians can use to appropriately assess health risk are provided, along with examples of actions that can be taken to reduce weight bias. Dietitians who are leading the profession in taking action against weight bias and stigma are profiled.
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 | 0,029 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,037 | 0,046 |
| Communication savante | 0,013 | 0,013 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,018 | 0,024 |
| 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 ».