A Systematized Review of Anti-Racism Data Legislation for Healthcare
Notice bibliographique
Résumé
Background. Health disparities among racialized individuals and the general population have persisted throughout time. In response to global events highlighting these inequities, there have been increasing calls to collect race, ethnicity and Indigenous (REI) identity data to foster health equity. As part of this data collection, it is pivotal for organizations to ensure proper governance of this data to mitigate the potential for harm towards racialized communities. One way to safeguard this data is through the implementation of anti-racism data legislation for race-based data collected in the healthcare sector. Aim. The purpose of this study was to explore the current landscape of anti-racism data legislation for healthcare by answering the following research question: What is the justification for enacting anti-racism data legislation for race-based data collected in healthcare environments? Methods. A systematized review was conducted as it allows academic literature to be reviewed with minimal resources, while maintaining key elements of a systematic review. Results. After removing duplicates, 7625 articles underwent title and abstract screening, of which 18 articles were reviewed in full, resulting in the inclusion of one article. Implications. This study highlights the ongoing need for research centered on the benefits and challenges of implementing anti-racism data legislation for race-based data collection within healthcare, and can serve as a pilot for a larger systematic review. Keywords: anti-racism, race-based data collection, healthcare reform, legislation
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 | 0,102 | 0,247 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,036 | 0,029 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,003 |
| 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; 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 ».