Latent variable and clustering methods in intersectionality research: systematic review of methods applications
Notice bibliographique
Résumé
PURPOSE: An intersectionality framework has been increasingly incorporated into quantitative study of health inequity, to incorporate social power in meaningful ways. Researchers have identified "person-centered" methods that cluster within-individual characteristics as appropriate to intersectionality. We aimed to review their use and match with theory. METHODS: We conducted a multidisciplinary systematic review of English-language quantitative studies wherein authors explicitly stated an intersectional approach, and used clustering methods. We extracted study characteristics and applications of intersectionality. RESULTS: 782 studies with quantitative applications of intersectionality were identified, of which 16 were eligible: eight using latent class analysis, two latent profile analysis, and six clustering methods. Papers used cross-sectional data (100.0%) primarily had U.S. lead authors (68.8%) and were published within psychology, social sciences, and health journals. While 87.5% of papers defined intersectionality and 93.8% cited foundational authors, engagement with intersectionality method literature was more limited. Clustering variables were based on social identities/positions (e.g., gender), dimensions of identity (e.g., race centrality), or processes (e.g., stigma). Results most commonly included four classes/clusters (60.0%), which were frequently used in additional analyses. These described sociodemographic differences across classes/clusters, or used classes/clusters as an exposure variable to predict outcomes in regression analysis, structural equation modeling, mediation, or survival analysis. Author rationales for method choice included both theoretical/intersectional and statistical arguments. CONCLUSION: Latent variable and clustering methods were used in varied ways in intersectional approaches, and reflected differing matches between theory and methods. We highlight situations in which these methods may be advantageous, and missed opportunities for additional uses.
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 | 0,183 | 0,459 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,010 | 0,012 |
| Bibliométrie | 0,031 | 0,032 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».