JBI systematic review protocol of text/opinions on how to best collect race-based data in healthcare contexts
Notice bibliographique
Résumé
INTRODUCTION: Racialized population groups have worse health outcomes across the world compared with non-racialized populations. Evidence suggests that collecting race-based data should be done to mitigate racism as a barrier to health equity, and to amplify community voices, promote transparency, accountability, and shared governance of data. However, limited evidence exists on the best ways to collect race-based data in healthcare contexts. This systematic review aims to synthesize opinions and texts on the best practices for collecting race-based data in healthcare contexts. METHODS AND ANALYSES: We will use the Joanna Briggs Institute (JBI) method for synthesizing text and opinions. JBI is a global leader in evidence-based healthcare and provides guidelines for systematic reviews. The search strategy will locate both published and unpublished papers in English in CINAHL, Medline, PsycINFO, Scopus and Web of Science from 1 January 2013 to 1 January 2023, as well as unpublished studies and grey literature of relevant government and research websites using Google and ProQuest Dissertations and Theses. The Preferred Reporting Items for Systematic Reviews and Meta-Analyses statement methodology for systematic reviews of text and opinion will be applied, including screening and appraisal of the evidence by two independent reviewers and data extraction using JBI's Narrative, Opinion, Text, Assessment, Review Instrument. This JBI systematic review of opinion and text will address gaps in knowledge about the best ways to collect race-based data in healthcare. Improvements in race-based data collection, may be related to structural policies that address racism in healthcare. Community participation may also be used to increase knowledge about collecting race-based data. ETHICS AND DISSEMINATION: The systematic review does not involve human subjects. Findings will be disseminated through a peer-reviewed publication in JBI evidence synthesis, conferences and media. PROSPERO REGISTRATION NUMBER: CRD42022368270.
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 | 0,195 | 0,309 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,009 |
| Méta-épidémiologie (sens large) | 0,022 | 0,018 |
| Bibliométrie | 0,023 | 0,022 |
| Études des sciences et des technologies | 0,007 | 0,009 |
| Communication savante | 0,014 | 0,013 |
| Science ouverte | 0,008 | 0,008 |
| Intégrité de la recherche | 0,014 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,113 | 0,025 |
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 ».