Invisible women: unpacking the erasure of Native American women with intellectual and/or developmental disabilities in health surveillance
Notice bibliographique
Résumé
Public health authorities recognize the need for more robust data systems to characterize health inequities, particularly among those with intersectional identities (National Center for Health Statistics, Citation2023). Currently, it is difficult to describe the health outcomes of Native American women with intellectual and/or developmental disabilities (I/DD), a population for whom key demographic information is unavailable. In this qualitative study, we interviewed 11 experts to understand why this population is not represented in mainstream health surveillance. The findings indicate that the visibility of Native American women with I/DD is influenced by both the institutions that shape data collection and the forms of data that are prioritized in health surveillance. Interview participants highlighted the disability service system and Tribal Nations as important gatekeepers of health data, while pointing out structural constraints that prevent these institutions from meeting the data needs of their constituents. Moreover, participants suggested that Western data systems, which prioritize deficit-based models of disability and rely on quantitative methodology, misrepresent people with disabilities and fail to acknowledge Indigenous ways of knowing. Interviews revealed several pathways to improving data equity, beginning with greater representation of Native American people and people with I/DD in institutions that govern health surveillance.
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 | 0,050 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,024 | 0,055 |
| Communication savante | 0,011 | 0,015 |
| Science ouverte | 0,002 | 0,018 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».