Suggestions for a gender-sensitive and intersectional practice of health monitoring and reporting
Notice bibliographique
Résumé
Abstract Background Health reports summarize the evidence basis on disease burden and its causes and are intended to inform decisions of policy makers. By focusing on health needs of social groupings according to sex/gender or race/ethnicity, PHMR crucially contributes to achieving health equity. In order to realise its aims, PHMR relies on the availability of high-quality data, appropriate analysis methods and intuitive presentation of results. Methods The joint project AdvanceGender used mixed methods to translate principles of intersectionality into new methods for recruitment, data analysis and health reporting. A review of descriptions of representativeness in epidemiological studies was conducted to investigate how an intersectional perspective can inform recruitment. To evaluate intersectional and gender-sensitive data analysis, we reviewed and applied recently developed methods such as classification and regression tree analysis (CART) and multilevel analysis of individual heterogeneity and discriminatory accuracy (MAIHDA). Findings An intersectional perspective on representativeness unravelled that study participation of women and men might be differential according to further social categories such as civil status or educational level. CART analysis might help to identify intersectional groupings differing in health behaviours or outcomes by exploring a multitude of social dimensions without facing the risk of stereotyping with predefined categories. MAIHDA depicts an alternative method that is suited for descriptive analyses of health-related outcomes among intersectional strata. In contrast to analysing supposedly static features such as sex, a focus on solution-linked variables like social support might be a fertile ground to identify areas for public health action. Discussion Principles of intersectionality open up new perspectives for recruitment and data analysis that might be fruitful for population health research and ultimately for PHMR. Greta Bauer Schulich School of Medicine & Dentistry, Western University, London, Canada Contact: gbauer@uwo.ca Olena Hankivsky University of Melbourne, Centre for Health Equity, Melbourne, Australia Institute for Intersectionality Research, School of Public Policy, Simon Fraser University, Burnaby, Canada Contact: o.hankivsky@unimelb.edu.au Nicole Rosenkötter NRW Centre for Health, Division of Health Reporting, Bielefeld, Germany Contact: Nicole.Rosenkoetter@lzg.nrw.de
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 | 0,701 | 0,697 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,006 | 0,009 |
| Bibliométrie | 0,022 | 0,017 |
| Études des sciences et des technologies | 0,010 | 0,044 |
| Communication savante | 0,031 | 0,065 |
| Science ouverte | 0,021 | 0,035 |
| Intégrité de la recherche | 0,023 | 0,036 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».