Use of Intersectionality Theory and Interpretive Descriptive Qualitative Method to Address Inequalities in Marginalized Communities
Notice bibliographique
Résumé
To understand the application of Intersectionality theory in conducting qualitative interpretative research on exploring inequalities and discriminatory healthcare practices towards marginalized communities. Method: Narrative Review. Data Sources: Systematic Literature search. Findings: Qualitative research on exploring discriminatory healthcare practices towards marginalized communities requires a research methodology that is practice-oriented and flexible in using theoretical knowledge. The theory of intersectionality exposes how socially constructed identities are intertwined with discriminatory healthcare practices toward marginalized communities. On the other hand, Interpretative Description (ID) is a clinical-based qualitative methodology that aims to identify gaps in healthcare and nursing practices and create evidence-based interventions to address such gaps. Using intersectionality with ID methodology allows researchers to identify discriminatory healthcare practices towards racialized communities and create resources to provide equalized care to marginalized communities. Conclusion: The theory of Intersectionality provides theoretical scaffolding to understand the impact of power, race, and social identities on marginalized populations. Using ID with intersectionality theory will be a novel approach to conducting research on marginalized communities and identifying ways to address the inequalities in nursing and healthcare practices.
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 | 0,121 | 0,111 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,011 | 0,009 |
| Études des sciences et des technologies | 0,006 | 0,013 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».