Our Health Counts: Examining associations between colonialism and ever being incarcerated among First Nations, Inuit, and Métis people in London, Thunder Bay, and Toronto, Canada
Notice bibliographique
Résumé
OBJECTIVES: Indigenous peoples have a disproportionately high prevalence of incarceration in the Canadian justice system. However, there is limited Indigenous-driven research examining colonialism and the justice system, specifically associations between racism, externally imposed family disruptions, and history of ever being incarcerated. Therefore, this study examined the association between the proportion of previous incarceration and family disruption, experiences of racism, and victimization for Indigenous adults in London, Thunder Bay, and Toronto, Ontario, Canada. The three communities expressed that they did not want comparison between the communities; rather, they wanted analysis of their community to understand where more supports were needed. METHODS: Indigenous community partners used respondent-driven sampling (RDS) to collect data from First Nations, Inuit, and Métis (FNIM) peoples in London, Thunder Bay, and Toronto. Prevalence estimates, 95% confidence intervals, and relative risk were reported using unweighted Poisson models and RDS-adjusted proportions. RESULTS: Proportions of ever being incarcerated ranged from 43.0% in London to 54.0% in Toronto and 72.0% in Thunder Bay. In all three cities, history of child protection involvement and experiencing racism was associated with an approximate 25.0% increase in risk for previous incarceration. In Toronto and London, victimization was associated with increased risk for incarceration. CONCLUSION: This research highlights disproportionately high prevalence of ever being incarcerated among FNIM living in three Ontario cities. Experiencing racism, family disruption, and victimization are associated with incarceration. Decreasing the rates of family disruption, experiences of racism, and victimization should inform future policy and services to reduce the disproportionately high prevalence of incarceration for FNIM people living in urban settings.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| 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 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 ».