MétaCan
Menu
Retour à la cohorte
Enregistrement W2995369948 · doi:10.1080/08865655.2019.1700823

Syndemics in Symbiotic Cities: Pathogenic Policy and the Production of Health Inequity Across Borders

2019· article· en· W2995369948 sur OpenAlexvenueno aff
Carina Heckert

Notice bibliographique

RevueJournal of Borderlands Studies · 2019
Typearticle
Langueen
DomainePsychology
ThématiqueMigration, Health and Trauma
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of General Medical Sciences
Mots-clésSyndemicPublic healthHealth policyHealth equitySocial determinants of healthDevelopment economicsContext (archaeology)Public policyPolitical scienceVulnerability (computing)Economic growthSociologyHealth careEconomicsGeographyMedicine

Résumé

récupéré en direct d'OpenAlex

Public health in border regions is a central concern to researchers and policymakers. This article demonstrates how and why syndemics theory should be central to border health research agendas and the development of health policy. A syndemic describes the concentration and deleterious interaction of two or more health conditions in a population. However, syndemic theory is not only about disease pathology. Another central tenant of syndemic theory is that the sociopolitical and environmental context facilitates the interaction of multiple health conditions. Within the social sciences and public health, a syndemics approach has become an increasingly utilized framework for understanding health disparities. However, how this framework can be adapted to understand the particularities of border regions remains underdeveloped. In applying syndemics to border regions, this paper explores how border-related policies produce conditions that facilitate syndemic vulnerability. In doing so, this article focuses on four policy realms as they unfold on the US-Mexico border: immigration policy, the War on Drugs, environmental policy, and health policy. The construction of policies within these realms often ignores the ways policies produced in one nation generate health consequences beyond national boundaries.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,179
Score d'incertitude au seuil0,289

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,394
Écart entre enseignants0,359 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Borderlands StudiesMême sujetMigration, Health and TraumaTravaux en français237 207