Juicios de valor implícitos en la medición de las desigualdades en salud
Bibliographic record
Abstract
CONTEXTO: Los estimados cuantitativos de magnitud, dirección e índice de cambio de las desigualdades en salud juegan un papel crucial en la creación y evaluación de las políticas destinadas a eliminar la desproporcionada carga de enfermedad en las poblaciones carenciadas. En general se asume que la medición de las desigualdades en salud es un proceso con un valor neutral que brinda datos objetivos que luego se interpretan usando juicios normativos sobre si una particular distribución de la salud es justa, ecuánime o socialmente aceptable. MÉTODOS: Se discuten cinco ejemplos en los cuales los juicios normativos juegan un papel en la medición del proceso en sí, sea mediante la selección de una estrategia de medición sobre la exclusión de otras como mediante la selección del tipo, importancia o peso asignados a las variables que se están midiendo. HALLAZGOS: En términos generales, encontramos que muchas medidas de desigualdad comúnmente usadas son subjetivas y que los juicios normativos implícitos en estas medidas tienen importantes consecuencias de interpretación y respuesta a las desigualdades en salud. CONCLUSIONES: Debido a que los valores implícitos en la generación de las medidas de desigualdad en salud pueden llevar a interpretaciones radicalmente diferentes de los mismos datos subyacentes, instamos a los investigadores a considerar en forma explícita y discutir con transparencia los juicios normativos subyacentes en sus medidas. También instamos a los responsables de las políticas y a otros consumidores de datos sobre desigualdades en salud a prestar mucha atención a las medidas sobre las cuales basan su evaluación sobre las políticas de salud actuales y futuras.
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 | 0.034 | 0.095 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.010 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.004 | 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 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".