Challenges and opportunities in examining and addressing intersectional stigma and health
Notice bibliographique
Résumé
BACKGROUND: 'Intersectional stigma' is a concept that has emerged to characterize the convergence of multiple stigmatized identities within a person or group, and to address their joint effects on health and wellbeing. While enquiry into the intersections of race, class, and gender serves as the historical and theoretical basis for intersectional stigma, there is little consensus on how best to characterize and analyze intersectional stigma, or on how to design interventions to address this complex phenomenon. The purpose of this paper is to highlight existing intersectional stigma literature, identify gaps in our methods for studying and addressing intersectional stigma, provide examples illustrating promising analytical approaches, and elucidate priorities for future health research. DISCUSSION: Evidence from the existing scientific literature, as well as the examples presented here, suggest that people in diverse settings experience intersecting forms of stigma that influence their mental and physical health and corresponding health behaviors. As different stigmas are often correlated and interrelated, the health impact of intersectional stigma is complex, generating a broad range of vulnerabilities and risks. Qualitative, quantitative, and mixed methods approaches are required to reduce the significant knowledge gaps that remain in our understanding of intersectional stigma, shared identity, and their effects on health. CONCLUSIONS: Stigmatized identities, while often analyzed in isolation, do not exist in a vacuum. Intersecting forms of stigma are a common reality, yet they remain poorly understood. The development of instruments and methods to better characterize the mechanisms and effects of intersectional stigma in relation to various health conditions around the globe is vital. Only then will healthcare providers, public health officials, and advocates be able to design health interventions that capitalize on the positive aspects of shared identity, while reducing the burden of stigma.
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 | 0,218 | 0,180 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,015 | 0,041 |
| Communication savante | 0,018 | 0,031 |
| Science ouverte | 0,006 | 0,024 |
| Intégrité de la recherche | 0,008 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».