Research with Black Communities to Inform Co-Development of a Framework for Anti-Racist Health and Community Programming
Notice bibliographique
Résumé
Study BackgroundThe effects of systemic racism were exacerbated and amplified throughout the COVID-19 pandemic. The resurgence of the "Black Lives Matter" movement in North America brought awareness to the public, especially white people, of the impacts of systemic racism in society and the urgent need for large-scale and institutional anti-racism work.PurposeIn collaboration with a local Community Health Centre, this research focused on identifying priority areas for tailored and co-developed anti-Black racism interventions in health services and community programming, as well as examining how purposeful relationships can be created with African, Caribbean, and Black (ACB) communities in London, Ontario.MethodsSemi-structured interviews were conducted in either French or English with nine formal or informal leaders from London's ACB communities. Interpretive description methodology guided analysis and interpretation.ResultsParticipants indicated that anti-Black racism is ever-present in the community and in their lives, with systemic racism causing the most harm. Racism should be addressed by creating ACB-specific services, and education for non-Black communities; increased representation, inclusion, and engagement of ACB people within organizations, especially in leadership roles, are essential. A framework based on study findings to guide how organizations can develop authentic and purposeful relationships with ACB communities is presented.ConclusionsOrganizations will continue to perpetuate systemic racism unless they actively seek to be anti-racist and implement strategies and policies to this end. The proposed framework can guide partnerships between health and community organizations and ACB communities, and support co-development of strategies to address anti-Black racism.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».