Forum pancanadien – Nos méthodes d'identification et de recension des Autochtones influent-elles sur l'évaluation du fardeau de la maladie de ce groupe de population?
Bibliographic record
Abstract
<sec> <title>Introduction</title> Nous avons examiné la concordance entre les questions de l'Enquête sur la santé dans les collectivités canadiennes (ESCC) relatives à l'identité et à l'ascendance utilisées pour évaluer la taille de la population autochtone au Canada et avons cherché à déterminer si les différentes définitions ont une incidence sur la prévalence de certaines maladies chroniques. </sec> <sec> <title>Méthodologie</title> D'après le fichier de microdonnées combinées sur les réponses aux questions sur l'identité et l'ascendance de l'ESCC de 2009-2010, les participants autochtones se divisent en quatre groupes : 1. identité seulement; 2. ascendance seulement; 3. ascendance ou identité et 4. ascendance et identité. La prévalence du diabète, de l'arthrite et de l'hypertension est évaluée à partir des déclarations des participants concernant le diagnostic reçu d'un professionnel de la santé. </sec> <sec> <title>Résultats</title> Parmi les participants qui s'identifient comme autochtones, seuls 63 % déclarent avoir un ancêtre autochtone; parmi ceux qui se disent d'ascendance autochtone, seuls 57 % s'identifient comme Autochtones. Le manque de concordance diffère également selon que le sujet est membre des Premières nations, Métis ou Inuit. Cependant, les différences entre méthodes d'estimation de la population autochtone n'ont pas d'incidence significative sur la prévalence des trois maladies chroniques choisies. </sec> <sec> <title>Conclusion</title> Le manque de concordance doit être étudié de plus près, en combinant plus de cycles de l'ESCC afin de comparer les écarts entre les régions, les sexes et les statuts socioéconomiques. Il serait bon aussi d'en examiner cette incidence sur d'autres problèmes de santé. </sec>
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.005 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 teacher head, 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".