MétaCan
Menu
Retour à la cohorte
Enregistrement W4391542174 · doi:10.1001/jamainternmed.2023.8003

Officer-Involved Killings of Unarmed Black People and Racial Disparities in Sleep Health

2024· letter· en· W4391542174 sur OpenAlexaff
Atheendar Venkataramani, Elizabeth F. Bair, Jacob Bor, Chandra L. Jackson, Ichiro Kawachi, Jooyoung Lee, Andrew V. Papachristos, Alexander C. Tsai

Notice bibliographique

RevueJAMA Internal Medicine · 2024
Typeletter
Langueen
DomainePsychology
ThématiqueSleep and related disorders
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNational Institute on Minority Health and Health Disparities
Mots-clésMedicineOfficerBehavioral Risk Factor Surveillance SystemRacismPopulationDemographyResidenceHealth equityBlack maleWhite (mutation)GerontologyPublic healthEnvironmental healthGender studiesGeography

Résumé

récupéré en direct d'OpenAlex

Importance: Racial disparities in sleep health may mediate the broader health outcomes of structural racism. Objective: To assess changes in sleep duration in the Black population after officer-involved killings of unarmed Black people, a cardinal manifestation of structural racism. Design, Setting, and Participants: Two distinct difference-in-differences analyses examined the changes in sleep duration for the US non-Hispanic Black (hereafter, Black) population before vs after exposure to officer-involved killings of unarmed Black people, using data from adult respondents in the US Behavioral Risk Factor Surveillance Survey (BRFSS; 2013, 2014, 2016, and 2018) and the American Time Use Survey (ATUS; 2013-2019) with data on officer-involved killings from the Mapping Police Violence database. Data analyses were conducted between September 24, 2021, and September 12, 2023. Exposures: Occurrence of any police killing of an unarmed Black person in the state, county, or commuting zone of the survey respondent's residence in each of the four 90-day periods prior to interview, or occurence of a highly public, nationally prominent police killing of an unarmed Black person anywhere in the US during the 90 days prior to interview. Main Outcomes and Measures: Self-reported total sleep duration (hours), short sleep (<7 hours), and very short sleep (<6 hours). Results: Data from 181 865 Black and 1 799 757 White respondents in the BRFSS and 9858 Black and 46 532 White respondents in the ATUS were analyzed. In the larger BRFSS, the majority of Black respondents were between the ages of 35 and 64 (99 014 [weighted 51.4%]), women (115 731 [weighted 54.1%]), and college educated (100 434 [weighted 52.3%]). Black respondents in the BRFSS reported short sleep duration at a rate of 45.9%, while White respondents reported it at a rate of 32.6%; for very short sleep, the corresponding values were 18.4% vs 10.4%, respectively. Statistically significant increases in the probability of short sleep and very short sleep were found among Black respondents when officers killed an unarmed Black person in their state of residence during the first two 90-day periods prior to interview. Magnitudes were larger in models using exposure to a nationally prominent police killing occurring anywhere in the US. Estimates were equivalent to 7% to 16% of the sample disparity between Black and White individuals in short sleep and 13% to 30% of the disparity in very short sleep. Conclusions and Relevance: Sleep health among Black adults worsened after exposure to officer-involved killings of unarmed Black individuals. These empirical findings underscore the role of structural racism in shaping racial disparities in sleep health outcomes.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,300
Écart entre enseignants0,285 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations11
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJAMA Internal MedicineMême sujetSleep and related disordersTravaux en français237 207