Identifying the social mechanisms for multiracial-monoracial health disparities
Notice bibliographique
Résumé
The United States is witnessing rapid growth in multiracial populations, yet the social mechanisms producing health disparities between multiracial and monoracial groups remain poorly understood. Using the nationally representative Behavioral Risk Factor Surveillance System (2001–2012, N = 4,363,547), we examine mental and physical health outcomes through self-reported measures of poor mental and physical health days, systematically investigating four pathways potentially explaining multiracial-monoracial health disparities: 1) socioeconomic status, 2) early life adversity, 3) race-related experiences, and 4) health behaviors. Results based on negative binomial regressions and Karlson-Holm-Breen mediation tests reveal that Black multiracial, American Indian or Alaska Native multiracial, and Other multiracial individuals report worse mental and physical health despite higher socioeconomic status compared to their monoracial counterparts. Among Asian multiracial individuals, worse health outcomes compared to monoracial peers are partially attributed to socioeconomic factors and health behaviors. Across all multiracial groups, health disadvantages are largely explained by differences in early life social conditions, particularly exposure to family instability and adverse childhood experiences. Unexpectedly, race-related experiences show suppression rather than mediation effects, suggesting that accounting for discrimination actually increases observed health gaps. Our findings demonstrate how non-socioeconomic pathways, particularly early life adversity, play crucial roles in producing health disparities in an increasingly diverse society.
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 | 0,003 | 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 | 0,047 | 0,005 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».