The Influence of Sociocultural Determinants on the Number of Diagnosed Chronic Illness Reported by Indigenous Peoples in Canada and the United States During SARS-CoV2
Notice bibliographique
Résumé
Objectives: To determine the influence of cultural, including land-based, factors on the reported number of diagnosed chronic illnesses among Indigenous individuals living in Canada and the United States during SARS-CoV-2 (COVID-19). Methods: 557 Indigenous individuals completed the Hearing Indigenous Voices survey (HIS) in 2021. Data from HIS respondents living with at least one chronic illness was used to conduct a Poisson regression. This equation estimated the effect of change in ancestral land use, participation in cultural activities, and demographic characteristics on the number of diagnosed chronic illnesses reported by Indigenous individuals. Results: Results demonstrate that the number of chronic illnesses reported by Indigenous individuals during COVID-19 was positively correlated with 2 cultural factors. The first is spending a different amount of time on ancestral territories compared to before the pandemic ( P < .01). Participating in beading, traditional arts and crafts, or Indigenous storytelling ( P < .001) is the second. However, this relationship was moderated by age ( P < .01) and socio-economic status ( P < .001), with positive and negative associations respectively found for each demographic factor. Discussion: Cultural practices, including accessing ancestral territories, often positively contribute to Indigenous Peoples’ health. The increased number of diagnosed chronic illnesses among respondents who participate in cultural activities suggests that those living with chronic illness may not gain the same benefits from culture during pandemics because of the multitude of barriers they face during emergencies.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,007 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».