Immigrant and Racialized Populations’ Cumulative Exposure to Discrimination and Associations with Long-Term Conditions During COVID-19: A Nationwide Large-Scale Study in Canada
Notice bibliographique
Résumé
BACKGROUND: This cross-sectional study examines associations between the race-migration nexus, cumulative exposure to intersectional discrimination (2 years before and during the COVID-19 pandemic), and long-term conditions. METHODS: A nationwide self-selected sample (n = 32,605) was obtained from a Statistics Canada's Crowdsourcing online survey from August 4 to 24, 2020. Binary and multinomial logistic regression models were used to examine disparities by the race-migration nexus in accumulative experiences of multiple situations- and identity-based discrimination and their relations with long-term conditions, after controlling for sociodemographic covariates. RESULTS: During the pandemic, discrimination stemming from racialization - such as race/skin color (24.4% vs 20.1%) and ethnicity/culture (18.5% vs 16.5%) - and cyberspace (34.1% vs 29.8%) exaggerated relative to pre-pandemic period; compared to Canadian-born (CB) whites, the likelihood of experiencing multiple discrimination increased alongside the domains of discrimination being additively intersected (e.g., identity-based, all p's < 0.001) among CB racialized minorities (ORs 2.08 to 11.78), foreign-born (FB) racialized minorities (ORs 1.99 to 12.72), and Indigenous populations (ORs 1.62 to 8.17), except for FB whites (p > 0.01); dose-response relationships were found between cumulative exposure to multiple discrimination and odds of reporting long-term conditions (p's < 0.001), including seeing (ORs 1.63 to 2.99), hearing (ORs 1.83 to 4.45), physical (ORs 1.66 to 3.87), cognitive (ORs 1.81 to 3.79), and mental health-related impairments (ORs 1.82 to 3.41). CONCLUSIONS: Despite a universal health system, Canadians who are CB/FB racialized and Indigenous populations, have a higher prevalence of cumulative exposure to different aspects of discrimination that are associated with multiple long-term conditions during the COVID-19 pandemic. Equity-driven solutions are needed to tackle upstream determinants of health inequalities through uprooting intersectional discrimination faced by racialized and immigrant 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».