Socially-assigned race and health: a scoping review with global implications for population health equity
Notice bibliographique
Résumé
Self-identified race/ethnicity is largely used to identify, monitor, and examine racial/ethnic inequalities. A growing body of work underscores the need to consider multiple dimensions of race - the social construction of race as a function of appearance, societal interactions, institutional dynamics, stereotypes, and social norms. One such multidimensional measure is socially-assigned race, the perception of one's race by others, that may serve as the basis for differential or unfair treatment and subsequently lead to deleterious health outcomes. We conducted a scoping review to systematically appraise the socially-assigned race and health literature. A systematic search of the PubMed, Web of Science, 28 EBSCO databases and 24 Proquest databases up to September 2019 was conducted and supplemented by a manual search of reference lists and grey literature. Quantitative and qualitative studies that examined socially-assigned race and health or health-related outcomes were considered for inclusion. Eighteen articles were included in the narrative synthesis. Self-rated health and mental health were among the most frequent outcomes studied. The majority of studies were conducted in the United States, with fewer studies conducted in New Zealand, Canada, and Latin America. While most studies demonstrate a positive association between social assignment as a disadvantaged racial or ethnic group and poorer health, some studies did not document an association. We describe key conceptual and methodological considerations that should be prioritized in future studies examining socially-assigned race and health. Socially-assigned race can provide additional insight into observed differential health outcomes among racial/ethnic groups in racialized societies based upon their lived experiences. Studies incorporating socially-assigned race warrants further investigation and may be leveraged to examine nuanced patterns of racial health advantage and disadvantage.
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 | 0,024 | 0,105 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,024 | 0,025 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».