Prevalence of ADHD among Black Youth Compared to White, Latino and Asian Youth: A Meta-Analysis
Notice bibliographique
Résumé
OBJECTIVE: To systematically review the prevalence of Attention Deficit Hyperactivity Disorder (ADHD) among Black children and adolescents compared to White, Latino and Asian children and adolescents. METHOD: Peer-reviewed articles were identified in seven databases and included if they reported prevalence of ADHD among Black children and adolescents living in a minority context and compared rates to at least one of White, Latino or Asian samples. A total of 7050 articles were retrieved and 155 articles were subjected to full evaluation. Twenty-three studies representing 26 independent samples were included. RESULTS: = 7) of Black, White, Latino, and Asian participants, respectively. Pooled prevalence rate of ADHD was 15.9% (95%CI 11.6% - 20.7%) among Black children and adolescents, 16.6% (95%CI 11.6% - 22.2%) among Whites, 10.1% (95%CI 6.9% - 13.8%) among Latinos and 12.4% (95%CI 1.4% - 31.8%) among Asians. There was no significant difference in prevalence between ethnic groups, whereas both Black and White children and adolescents had marginally statistically significant higher prevalence than Asians. The results of a meta-regression analysis showed no moderating effects of the type of sample and the year of publication of studies. A significant publication bias was observed, suggesting that other moderators were not identified in the present systematic review. CONCLUSION: In contrast to the assertion in the DSM-5 that clinical identification among Black children and adolescents is lower than among White children and adolescents, the present meta-analysis suggests similar rates of ADHD among these two groups. The importance of considering cultural appropriateness of assessment tools and processes is emphasized.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,011 | 0,009 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».