Theories, Models, and Frameworks (TMFs) to Assess Respiratory Health Equity of Big Data; A Scoping Review
Notice bibliographique
Résumé
In the last few decades, big data has been considered a useful tool in reducing health inequities due to its innate high volume of data on the general population and the numerous sources recording the data (Ibrahim et al., 2020; Wesson et al., 2022). Health equity, the state in which every person has a fair opportunity to attain their highest health potential is an ongoing goal for the public health system. Health equity-based analyses of big data allow researchers, decision-makers, and policymakers to identify differences between population groups including healthcare accessibility and health outcomes. Although big data has immense potential to address health disparities, several publications have cautioned that health equity analyses using big data can worsen the inequities when the reasons behind the patterns in the data are not assessed, especially in underrepresented populations (Househ et al., 2017; Veinot et al., 2018; Wesson et al., 2022). Considering the risks associated with big data, it is necessary for researchers to recognize biases present in big data creation and collection when generating and interpreting the results of health equity-based analyses. Currently, there is no consensus on how to assess health equity in big datasets, and several approaches have been proposed (Nsoesie & Galea, 2022; Sabet et al., 2023). However, there is a growing need to evaluate the characteristics and sources of big data to determine its appropriateness for health equity research. Therefore, the aim of this scoping review is to identify and explore the existing theories, models, and frameworks proposed for assessing the degree to which big data is equity informed. In addition, the potential utility of these frameworks will be assessed in the Canadian context.
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 | 0,069 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,000 |
| Bibliométrie | 0,002 | 0,023 |
| Études des sciences et des technologies | 0,003 | 0,008 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,047 | 0,092 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».