A racial bias test with tertiary cancer centre employees: why anti-racist measures are required for First Nations Australians cancer care equity
Notice bibliographique
Résumé
Objective To examine implicit bias in employees at a cancer centre using an Australian race (Aboriginal-white) Implicit Association Test (IAT), in an attempt to understand a potential factor for inequitable outcomes of First Nations Australians cancer patients. Methods All employees at an Australian cancer centre were invited to take part in a web-based, cross-sectional study using an Australian race IAT. The results were analysed using Welch t-tests, linear regression and ANOVA. Results Overall, 538/2871 participants (19%) completed the IAT between January and June 2020. The mean IAT was 0.147 (s.d. 0.43, P < 0.001, 95% CI 0.11-0.18), and 60% had a preference for white over First Nations Australians. There was no significant mean difference in IAT scores between sub-groups of gender, age or clinical/non-clinical employees. 21% of employees (95% CI 17.65-24.53) had moderate to strong preference for white over First Nations Australians, compared to 7.1% with moderate to strong preference for First Nations over white Australians (95% CI 5.01-9.09). Conclusions Inequitable cancer survival for First Nations patients has been well established and cancer is now the leading cause of mortality. This paper documents the presence of racial bias in employees at one cancer centre. We argue that this cannot be understood outside the history of colonialism and its effects on First Nations Australians, healthcare workers and our society. Further research is required to evaluate measures of racism, its effect on health care, and how to eliminate it.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».