Using latent class analysis to operationalize a wholistic assessment of Inuit health and well-being
Notice bibliographique
Résumé
Many indigenous cultures conceptualize health wholistically, whereby physical, mental, spiritual and relational dimensions of health are interconnected. Yet, quantitative approaches to studying Indigenous health remain anchored in western perspectives, that separate the dimensions of health. This paper aims to operationalize a wholistic indicator of health based on the IQI model of Inuit health. Variables from the 2017 Nunavik Health Survey (N = 1196) were selected based on their representativeness of IQI model. Exploratory Latent Class Analysis (LCA) was used to identify wholistic health profiles. Once participants assigned to their health profile, sociodemographic characteristics were compared across profiles, and multinomial regression models were used to examine the relationship between community-level social determinants of health and the profiles. The LCA revealed three health profiles, labelled as “excellent”, “good” and “fair” based on the distribution of answers to the indicators. Nunavimmiut in “excellent” and “good” health were more likely to: rate their health positively; be over 30 years old; be in a relationship; and have participated or volunteered in community events. Nunavimmiut in ”fair” health tended to report lower levels of community cohesion, family relationships, and emotional support. Intergrating culturally relevant models of health can support improved health status assessments and identify opportunities for health promotion.
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 | 0,009 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».