Ethical and Equitable Digital Health Research: Ensuring Self-Determination in Data Governance for Racialized Communities
Notice bibliographique
Résumé
Recent studies highlight the need for ethical and equitable digital health research that protects the rights and interests of racialized communities. We argue for practices in digital health that promote data self-determination for these communities, especially in data collection and management. We suggest that researchers partner with racialized communities to curate data that reflects their wellness understandings and health priorities, and respects their consent over data use for policy and other outcomes. These data governance approach honors and builds on Indigenous Data Sovereignty (IDS) decolonial scholarship by Indigenous and non-indigenous researchers and its adaptations to health research involving racialized communities from former European colonies in the global South. We discuss strategies to practice equity, diversity, inclusion, accessibility and decolonization (EDIAD) principles in digital health. We draw upon and adapt the concept of Precision Health Equity (PHE) to emphasize models of data sharing that are co-defined by racialized communities and researchers, and stress their shared governance and stewardship of data that is generated from digital health research. This paper contributes to an emerging research on equity issues in digital health and reducing health, institutional, and technological disparities. It also promotes the self-determination of racialized peoples through ethical data management.
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 | 0,339 | 0,285 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,021 | 0,090 |
| Communication savante | 0,021 | 0,026 |
| Science ouverte | 0,004 | 0,035 |
| Intégrité de la recherche | 0,006 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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 ».