Research on racial/ethnic inequities in oral health over the past 80 years: The role of racism
Notice bibliographique
Résumé
AIM: This study aims to (1) describe trends in explanations provided for racial/ethnic inequities in dental caries and periodontitis, and (2) explore the patterns of relatedness among explanations for these inequities. MATERIALS AND METHODS: Highly cited publications based on studies indexed in the Scopus database were retrieved and assessed for eligibility. Explanations for racial/ethnic inequities were classified into eight different, but interrelated domains. We assessed trends and examined the relations among explanations using multiple correspondence analysis. RESULTS: A total of 200 articles among the most cited publications were selected. The proportion of studies invoking racism as an explanation for racial inequities in oral health increased from 0% to 14.3%, from 1937 to 2020. The proportions of individual socio-economic factors increased from 52.0% to 82.9%, and dental care from 28.0% to 62.9%. The remaining explanations were stable: psychological/behavioural processes (62.5%), biological factors (49.5%), contextual/area-level effects (24.0%) and immigrant paradox (4.0%). Multiple correspondence analysis revealed a smaller axial distance between racism and the following categories: studies from Brazil, recent publications and Blacks/Hispanics/mixed-race groups. Publications about immigrants were axially closer to the high-income countries category. CONCLUSIONS: Our findings call on dental researchers to consider racism as a cause for existing racial/ethnic inequities in oral health.
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 | 0,046 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».