Toolkit article: Approaches to measuring social inequities in health in human biology research
Notice bibliographique
Résumé
Across populations, human morbidity and mortality risks generally follow clear gradients, with socially-disadvantaged individuals and groups tending to have higher morbidity and mortality at all life stages relative to those more socially advantaged. Anthropologists specialize in understanding the proximate and ultimate factors that shape variation in human biological functioning and health and are therefore well-situated to explore the relationships between social position and health in diverse ecological and cultural contexts. While human biologists have developed sophisticated methods for assessing health using minimally-invasive methods, at a disciplinary level, we have room for conceptual and methodological improvement in how we frame, measure, and analyze the social inequities that might shape health inequities. This toolkit paper elaborates on some steps human biologists should take to enhance the quality of our research on health inequities. Specifically, we address: (1) how to frame unequal health outcomes (i.e., inequalities vs. disparities vs. inequities) and the importance of identifying our conceptual models of how these inequities emerge; (2) how to measure various axes of social inequities across diverse cultural contexts, and (3) approaches to community collaboration and dissemination. We end by discussing (4) future directions in human biology research of health inequities, including understanding the ultimate causes of sensitivity to social inequities and transitioning from research to action.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».