The geography of ethnoracial low birth weight inequalities in the United States
Notice bibliographique
Résumé
In this article, we describe, decompose, and examine correlates of the geography of ethnoracial inequalities in low birth weight (LBW) in the United States. Drawing on the population of singleton births to U.S.-born White, Black, Latinx, and Native American parents in the first decade of the twenty-first century (N = 28.2 million births), we calculate county-level LBW rates and rate ratios. Results demonstrate a stark racial hierarchy in which Black infants experience the most significant disadvantage, but we also document substantial local-level variation organized in what we call a regionalized patchwork of inequality, with high-disparity counties bordering low-disparity counties coupled with regional clustering. Examining the component parts of local disparities - the LBW rates for Whites and groups of color - we find strong evidence that spatial variation in ethnoracial LBW inequalities is driven by greater variation in infants of color's health across counties relative to Whites. Further, LBW rates for groups of color are only weakly to moderately correlated with Whites' LBW rates, indicating that the same contexts can produce racially divergent health outcomes. Examining contextual factors that predict LBW disparities, we find that more segregated, socioeconomically unequal, and urban counties have larger LBW disparities. We conclude by positing an approach to health disparities that conceptualizes ethnoracial differences in health as fundamentally relational and spatial phenomena produced by systems of White advantage.
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 | 0,003 | 0,000 |
| 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 ».