La Necessite Des Approches Intersectionnelles en Sante: Le Cas de L’allaitement Maternel
Bibliographic record
Abstract
L’intersectionnalité renvoie à des expériences différenciées en fonction de l’articulation de multiples formes d’oppressions ou de privilèges. Le concept est également repris aujourd’hui pour l’étude des inégalités en santé, le plus souvent en se basant sur l’intersection de différents déterminants de la santé. Dans ce texte, l’auteure présente tout d’abord brièvement le concept d’intersectionnalité, puis fait le lien avec les déterminants de la santé. Pour ce faire, l’auteure aborde les raisons qui poussent les chercheur(e)s à se concentrer sur l’intersectionnalité dans le domaine des déterminants de la santé. L’article explique comment le fait de considérer l’articulation des inégalités en termes de « déterminants multiples » affecte la santé; ainsi que comment l’intersectionnalité peut combler des lacunes sur les connaissances de la santé des groupes marginalisés et de la population en général. De plus, l’auteure utilise l’exemple de l’allaitement maternel pour montrer de quelles manières le cadre d’analyse intersectionnelle pourrait être bénéfique pour l’avancement des connaissances sur un sujet précis. Pour conclure, l’auteure aborde les défis méthodologiques qu’ils restent à relever pour faire avancer les connaissances dans ce domaine.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.014 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.014 | 0.027 |
| Scholarly communication | 0.012 | 0.009 |
| Open science | 0.003 | 0.018 |
| Research integrity | 0.007 | 0.010 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".