Intersectional analysis of suicide risk among transgender and non-binary people
Notice bibliographique
Résumé
Transgender and non-binary (TNB) people experience high rates of suicidal thoughts and behaviors, but less is known about how suicide risk varies within TNB communities. We investigated variation in suicidality among TNB people across intersecting social identities and positions. This study uses data from Trans PULSE Canada, a 2019 community-based survey of TNB people aged 14+ in Canada. Among 2054 participants aged 16+, conditional inference trees (CTREE) were used to identify subgroups with varying levels of past-year suicidal ideation and suicide attempts. Twelve predictor variables were chosen through literature review and community knowledge based on their relevance to suicide risk. Findings show that over the past year, 30.2 % of participants reported suicidal ideation and 4.2 % reported a suicide attempt. Six subgroups with varying levels of past-year suicidal ideation were identified, with a higher prevalence of ideation among those with lower educational attainment (particularly youth aged 16–24; 49.4 %) and among college-educated participants who identified as disabled (38.3 %). The CTREE for past-year suicide attempts identified variation across three subgroups: participants aged 16–19 (11.0 % attempted), and those aged 20+ with or without a history of sex work (8.4 % and 2.5 %, respectively). In conclusion, past-year suicidal ideation and attempts were high compared to general population estimates, although somewhat lower than in previous Canadian TNB studies. Suicide attempts were concentrated among those aged 16–19, and amongst those 20+ with a history of sex work. Suicide prevention research should investigate individual and structural level interventions to reduce disproportionate suicide risk among these groups.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».