The Association of Unfairness with Mental and Physical Health in a Multiethnic Sample of Adults: Cross-sectional Study
Notice bibliographique
Résumé
BACKGROUND: Two psychosocial constructs that have shown consistent associations with negative health outcomes are discrimination and perceived unfairness. OBJECTIVE: The current analyses report the effects of discrimination and unfairness on medical, psychological, and behavioral outcomes from a recent cross-sectional survey conducted in a multiethnic sample of adults in Michigan. METHODS: A cross-section survey was collected using multiple approaches: community settings, telephone-listed sample, and online panel. Unfairness was assessed with a single-item previously used in the Whitehall study, and everyday discrimination was assessed with the Williams 9-item scale. Outcomes included mental health symptoms, past-month cigarette use, past-month alcohol use, past-month marijuana use, lifetime pain medication use, and self-reported medical history. RESULTS: A total of 2238 usable surveys were collected. In bivariate analyses, higher unfairness values were significantly associated with lower educational attainment, lower age, lower household income, and being unmarried. The highest unfairness values were observed for African American and multiracial respondents followed by Middle Eastern or North African participants. Unfairness was significantly related to worse mental health functioning, net adjustment for sociodemographic variables, and everyday discrimination. Unfairness was also related to self-reported history of depression and high blood pressure although, after including everyday discrimination in the model, only the association with depression remained significant. Unfairness was significantly related to 30-day marijuana use, 30-day cigarette use, and lifetime opiate use. CONCLUSIONS: Our findings of a generally harmful effect of perceived unfairness on health are consistent with prior studies. Perceived unfairness may be one of the psychological pathways through which discrimination negatively impacts health. Future studies examining the relationships we observed using longitudinal data and including more objective measures of behavior and health status are needed to confirm and extend our findings.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».