Paper 5: a methodological overview of methods and interventions
Notice bibliographique
Résumé
OBJECTIVES: We aim to (1) evaluate the methods used in systematic reviews of interventions focused on racialized populations to improve racial health equity and (2) examine the types of interventions evaluated for advancing racial health equity in systematic reviews. STUDY DESIGN AND SETTING: We searched MEDLINE, Cochrane, and Campbell databases for reviews evaluating interventions focused on racialized populations to mitigate racial health inequities, published from January 2020 to January 2023. RESULTS: We analyzed 157 reviews on racialized populations. Only 22 (14%) reviews addressed racism's role in driving racial health inequities related to the review question. Eleven percent (7) of reviews considered intersectionality when conceptualizing racial inequities. Two-thirds (105, 67%) provided descriptive summaries of included studies rather than synthesizing them. Among those that quantified effect sizes, 54% (21) used biased synthesis methods like vote counting. The most common method assessed was tailoring interventions to meet the needs of racialized populations. Reviews mainly focused on assessing interventions to reduce racial disparities rather than enhancing structural opportunities for racialized populations. CONCLUSION: Reviews for racial health equity could be improved by enhancing methodologic quality, defining the role of racism in the question, using reliable analytical methods, and assessing process and implementation outcomes. More focus is needed on assessing structural interventions to improve opportunities for racialized populations and prioritize these issues in political and social agendas.
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 | 0,328 | 0,509 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,011 | 0,018 |
| Bibliométrie | 0,019 | 0,017 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,012 | 0,006 |
| Science ouverte | 0,006 | 0,009 |
| Intégrité de la recherche | 0,009 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,006 |
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 ».