Biocultural approaches to transgender and gender diverse experience and health: Integrating biomarkers and advancing gender/sex research
Notice bibliographique
Résumé
Transgender and gender diverse (TGD) people are increasingly visible in U.S. communities and in national media. With this increased visibility, access to gender affirming healthcare is also on the rise, particularly for urban youth. Political backlash and entrenchment in a gender binary, however, continue to marginalize TGD people, increasing risk for health disparities. The 2016 National Institute of Health recognition of sexual and gender minority people as a health disparities population increases available funding for much-needed research. In this article, we speak to the need for a biocultural human biology of gender/sex diversity by delineating factors that influence physiological functioning, mental health, and physical health of TGD people. We propose that many of these factors can best be investigated with minimally invasively collected biomarker samples (MICBS) and discuss how to integrate MICBS into research inclusive of TGD people. Research use of MICBS among TGD people remains limited, and wider use could enable essential biological and health data to be collected from a population often excluded from research. We provide a broad overview of terminology and current literature, point to key research questions, and address potential challenges researchers might face when aiming to integrate MCIBS in research inclusive of transgender and gender diverse people. We argue that, when used effectively, MICBS can enhance human biologists' ability to empirically measure physiology and health-related outcomes and enable more accurate identification of pathways linking human experience, embodiment, and health.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».