Anti-Black Medical Gaslighting in Healthcare: Experiences of Black Women in Canada
Notice bibliographique
Résumé
BackgroundStereotype about Black people contribute to nurses and healthcare providers gaslighting and dismissing of their health concerns. Despite the popularity of the term medical gaslighting in mainstream literature, few studies have explored the experiences of Black women during pregnancy and childbirth.PurposeThis paper aims to provide an in-depth insight into Black women's experiences of anti-Black medical gaslighting when accessing care during pregnancy and childbirth.MethodsUtilizing qualitative methods, we conducted 24 semi-structured interviews with Black women in the Greater Toronto Area. We used thematic analysis to ground the data analysis and to generate insight into Black women's experiences.ResultsThree overarching themes: 1) Not Being Understood: Privileging of Medical Knowledge Contributing to the Downplaying of Health Concerns, 2) Not Being Believed: Stereotypes Contributing to Dismissive Healthcare Encounters and 3) Listen to Us: Turning off the Cycle of Medical Gaslighting. These themes highlight ways anti-Black medical gaslighting manifests in Black women's healthcare encounters to create differential access to treatment and care.ConclusionsAnti-Black medical gaslighting contributes to differential access to treatment and care. Improving equitable access to treatment and care must involve addressing structural and epistemic biases in healthcare and fostering a culture of listening to humanize the experience of illness.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,039 | 0,011 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».