The Unheeded Layers of Health Inequity: Visible Minority and Intersectionality
Notice bibliographique
Résumé
Health disparities among marginalized populations persist in many developed countries despite substantial population health advancements, highlighting persistent systemic inequities. Visible minorities, defined as the non-White and non-Indigenous racialized population in Canada, face earlier disease onset, worse outcomes, barriers to care, and shorter life expectancy. Conventional single-axis research frameworks, which examine factors like race, gender, or socioeconomic status in isolation, often fail to capture the complex realities of these disparities. Intersectionality theory, rooted in Black feminist thought and Critical Race Theory, offers a crucial lens for understanding how multiple systems of oppression intersect to shape health outcomes. However, its application in health research remains inconsistent, with often inadequate and tokenistic applications of this theory attributable to the limitations of a research approaches and resources, as well as biases from researchers. Integrating intersectionality with other relevant frameworks and theories in population health, such as ecosocial theory that explains how social inequalities become biologically embodied to create health inequities, strengthens the capacity to analyze health inequities comprehensively. This article advocates for thoughtful application of intersectionality in research to understand health disparities among visible minorities, urging methodological rigor, contextual awareness, and a focus on actionable interventions. By critically embedding intersectional principles into study design, researchers can move beyond describing disparities to identifying meaningful, equity-driven solutions. This approach supports a deeper, more accurate understanding of health inequities and fosters pathways toward transformative change in public health systems.
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 | 0,012 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,011 | 0,039 |
| Communication savante | 0,011 | 0,013 |
| Science ouverte | 0,002 | 0,028 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».