Barriers to Voting and Access to Health Insurance Among US Adults: A Cross-Sectional Study
Notice bibliographique
Résumé
Background: Many states in the United States (US) have introduced barriers to impede voting among individuals from socio-economically disadvantaged groups. This may reduce representation thereby decreasing access to lifesaving goods, such as health insurance. Methods: We used cross-sectional data from 242,727 adults in the 50 states and District of Columbia participating in the US 2017 Behavioral Risk Factor Surveillance System (BRFSS). To quantify access to voting, the Cost of Voting Index (COVI), a global measure of barriers to voting within a state during a US election was used. Multilevel modeling was used to determine whether barriers to voting were associated with health insurance status after adjusting for individual- and state-level covariates. Analyses were stratified by racial/ethnic identity, household income, and age group. Findings: A one standard deviation (SD) increase in COVI score was associated with an overall increased odds of being uninsured (OR=1.25; 95% CI=1.22, 1.28). This association was also present for Non-Hispanic Black (OR=1.18; 95% CI=1.13,1.22), Hispanic (1.18; 95% CI=1.15,1.21), and Asian (OR=1.45;95%CI=1.27,1.66), and other Non-Hispanic (OR=1.12, 95% CI=1.06, 1.18) US adults, but not for White Non-Hispanic and Native US adults. Likewise, a one SD increase in COVI among adults from low-income households was associated with an increased odds of being uninsured (OR=1.32; 95% CI=1.26,1.38) but there was no association among individuals with incomes greater than $75,000. This association was similar for younger US adults (OR=1.22; 95%CI=1.20,1.24) but not among those aged 45 to 64. Interpretation: Groups commonly targeted by voting restriction laws-those with low incomes, who are racial minorities, and who are young-are also less likely to be insured in states with more voting restrictions. However, those who are wealthier, white or older are no more likely to be uninsured irrespective of the level of voting restrictions. Funding: Pabayo is a Tier II Canada Research Chair.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».