MétaCan
Menu
Retour à la cohorte
Enregistrement W4389793649 · doi:10.1177/13558196231219955

Indigenous identity identification in administrative health care data globally: A scoping review

2023· review· en· W4389793649 sur OpenAlexafffund
Mandi Gray, Kienan Williams, Richard T. Oster, Grant Bruno, Annelies Cooper, Chyloe Healy, Rebecca L. Rich, Shayla Scott Claringbold, Gary Teare, Samara Wessel, Rita Henderson

Notice bibliographique

RevueJournal of Health Services Research & Policy · 2023
Typereview
Langueen
DomaineSocial Sciences
ThématiqueIndigenous Health, Education, and Rights
Établissements canadiensAlberta Health ServicesUniversity of AlbertaAlberta HealthUniversity of Calgary
Organismes subventionnairesCanadian Institutes of Health ResearchAlberta Health Services
Mots-clésIndigenousGrey literatureHealth careContext (archaeology)Health equityPublic relationsPolitical scienceMedicineMEDLINEGeographyLaw

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: Both Indigenous and non-Indigenous governments and organizations have increasingly called for improved Indigenous health data in order to improve health equity among Indigenous peoples. This scoping review identifies best practices, potential consequences and barriers for advancing Indigenous health data and Indigenous data sovereignty globally. METHODS: A scoping review was conducted to capture the breadth and nature of the academic and grey literature. We searched academic databases for academic records published between 2000 and 2021. We used Google to conduct a review of the grey literature. We applied Harfield's Aboriginal and Torres Strait Islander Quality Appraisal Tool (QAT) to all original research articles included in the review to assess the quality of health information from an Indigenous perspective. RESULTS: In total, 77 academic articles and 49 grey literature records were included. Much of the academic literature was published in the last 12 years, demonstrating a more recent interest in Indigenous health data. Overall, we identified two ways for Indigenous health data to be retrieved. The first approach is health care organizations asking clients to voluntarily self-identify as Indigenous. The other approach is through data linkage. Both approaches to improving Indigenous health data require awareness of the intergenerational consequences of settler colonialism along with a general mistrust in health care systems among Indigenous peoples. This context also presents special considerations for health care systems that wish to engage with Indigenous communities around the intention, purpose, and uses of the identification of Indigenous status in administrative databases and in health care settings. Partnerships with local Indigenous nations should be developed prior to the systematic collection of Indigenous identifiers in health administrative data. The QAT revealed that many research articles do not include adequate information to describe how Indigenous communities and stakeholders have been involved in this research. CONCLUSION: There is consensus within the academic literature that improving Indigenous health should be of high priority for health care systems globally. To address data disparities, governments and health organizations are encouraged to work in collaboration with local Indigenous nations and stakeholders at every step from conceptualization, data collection, analysis, to ownership. This finding highlights the need for future research to provide transparent explanation of how meaningful Indigenous collaboration is achieved in their research.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,076
score de la tête « metaresearch » (Gemma)0,250
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,076
Score d'incertitude au seuil0,403

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0760,250
Méta-épidémiologie (sens strict)0,0010,002
Méta-épidémiologie (sens large)0,0050,005
Bibliométrie0,0260,026
Études des sciences et des technologies0,0030,006
Communication savante0,0090,014
Science ouverte0,0040,009
Intégrité de la recherche0,0060,005
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,374
Tête enseignante GPT0,652
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Health Services Research & PolicyMême sujetIndigenous Health, Education, and RightsTravaux en français237 207