Determinants of Socioeconomic Inequalities in Well-being in Canada: Evidence for Nova Scotia Quality of Life Survey
Notice bibliographique
Résumé
There are relatively few studies that have measured and explained socioeconomic inequalities in the well-being of populations. Using unique information available in the 2019 Nova Scotia Quality of Life Survey (NSQLS, n=9388), this study provides analysis of the determinants of socioeconomic inequalities in well-being of adults aged 18 and above in Nova Scotia, Canada. The population's well-being was measured using the Canadian Index of Wellbeing (CIW), which encompasses quality of life across eight domains. The Concentration index (C) approach was utilized to quantify and identify factors explaining socioeconomic inequality in well-being. A positive value of the C (0.0294; 95% confidence interval: 0.0267 to 0.0321) indicated pro-rich inequality in well-being among Nova Scotian residents. Results of the decomposition analysis indicated that the concentration of favorable mental health, education levels, and income among high socioeconomic status (SES) groups accounted for over 86% of the observed socioeconomic inequality in the population's well-being. Our findings demonstrated that inequalities in mental health, education, and income are significant obstacles to reducing inequality in well-being in Nova Scotia, Canada. Thus, policies aimed at alleviating inequalities in these factors may help to reduce socioeconomic inequality in well-being in Nova Scotia, Canada.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».