Writing about health inequality: recommendations for accurate and impactful presentation of evidence
Notice bibliographique
Résumé
Health and development agendas and programmes often prioritize the reduction of unfair and remediable health inequalities. There is a growing amount of data pertaining to health inequalities. Written outputs, including academic research papers, are key tools for describing health inequalities. Epidemiologists, data analysts, policy advisors and health equity scholars can have greater impact through accurate, concise and compelling presentation of this evidence and so assist those advocating for action to close health gaps. We make recommendations to improve the accuracy and impact of written evidence on health inequality. Focusing on the micro, macro and meta aspects of developing written reports, we drew from our varied experiences promoting health inequality monitoring to identify key strategies specific to this field, which were further expanded and explored through literature searches and consultation with experts. We recommend four general strategies: (i) using terminology deliberately and consistently; (ii) presenting statistical content accurately and with sufficient detail; (iii) adhering to guidelines and best practices for reporting; and (iv) respecting and upholding the interests of affected communities. Specifically, we address the use of terminology related to health inequality and health inequity, dimensions of inequality and determinants of health, economic inequality and economic-related inequality, sex and gender, and race and ethnicity. We present common pitfalls related to reporting statistical content, underscoring the importance of clarity when reporting association and causation. We advocate for engaged and inclusive writing processes that use affirming language and adopt strength-based messaging. This guidance is intended to increase the impact of written evidence on efforts to tackle avoidable health inequalities.
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 | 0,603 | 0,877 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,008 |
| Méta-épidémiologie (sens large) | 0,012 | 0,022 |
| Bibliométrie | 0,037 | 0,033 |
| Études des sciences et des technologies | 0,009 | 0,025 |
| Communication savante | 0,046 | 0,060 |
| Science ouverte | 0,023 | 0,029 |
| Intégrité de la recherche | 0,033 | 0,041 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,028 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».