Anti-Black discrimination in primary health care: a qualitative study exploring internalized racism in a Canadian context
Notice bibliographique
Résumé
OBJECTIVES: A growing body of evidence points to persistent health inequities within racialized minority communities, and the effects of racial discrimination on health outcomes and health care experiences. While much work has considered how anti-Black racism operates at the interpersonal and institutional levels, limited attention has focused on internalized racism and its consequences for health care. This study explores patients' attitudes towards anti-Black racism in a Canadian health care system, with a particular focus on internalized racism in primary health care. DESIGN: This qualitative study employed purposive maximal variation and snowball sampling to recruit and interview self-identified Black persons aged 18 years and older who: (1) lived in Montréal during the COVID-19 pandemic, (2) could speak English or French, and (3) were registered with the Québec health insurance program. Adopting a phenomenological approach, in-depth interviews took place from October 2021 to July 2022. Following transcription, data were analyzed thematically. RESULTS: Thirty-two participants were interviewed spanning an age range from 22 years to 79 years (mean: 42 years). Fifty-nine percent of the sample identified as women, 38% identified as men, and 3% identified as non-binary. Diversity was also reflected in terms of immigration experience, financial situation, and educational attainment. We identified three major themes that describe mechanisms through which internalized racism may manifest in health care to impact experiences: (1) the internalization of anti-Black racism by Black providers and patients, (2) the expression of anti-Black prejudice and discrimination by non-Black racialized minority providers, and (3) an insensitivity towards racial discrimination. CONCLUSION: Our study suggests that multiple levels of racism, including internalized racism, must be addressed in efforts to promote health and health care equity among racialized minority groups, and particularly within Black communities.
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 | 0,010 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,030 | 0,016 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».