Échantillonnage, mesure et surveillance des données sur la santé selon la race : pratiques prometteuses pour réduire les inégalités raciales en matière de santé et étudier leurs déterminants au sein de la population canadienne noire
Bibliographic record
Abstract
Introduction Les inégalités raciales en matière de santé s’expliquent par une inégalité d’accès aux conseils médicaux et aux traitements ainsi que par les effets physiologiques des inégalités dans les conditions matérielles et la vie quotidienne. Cependant, il y a peu de données canadiennes sur les inégalités raciales en matière de santé. Cet article de synthèse décrit les pratiques prometteuses en matière de méthodes et d’approches d’enquête sur la population susceptibles d’améliorer l’échantillonnage, la mesure et la surveillance dans l’étude des inégalités raciales en santé et des déterminants de la santé pour des sous-groupes de population du Canada, en particulier la population noire. Méthodologie Nous avons utilisé une approche à trois étapes pour déterminer les pratiques prometteuses dans des pays comparables au Canada et leur applicabilité au contexte canadien. Premièrement, nous avons effectué une analyse de sites Web en fonction de nos connaissances préalables des enquêtes et des ensembles de données populationnelles sur la santé. Deuxièmement, nous avons analysé les documents publiés entre 2010 et 2020 afin de recenser les enquêtes et les ensembles de données qui auraient été omis. Troisièmement, nous avons effectué une analyse ciblée des enquêtes sur la santé et des sources de données populationnelles canadiennes afin de dégager les défis et les possibilités liés à la mise en oeuvre de ces pratiques prometteuses. Résultats Nous avons recensé 20 enquêtes et sources de données pertinentes provenant des États-Unis, du Royaume-Uni, de l’Australie et de la Nouvelle-Zélande. Dans plusieurs de ces pays comparables au Canada, l’information sur la concentration raciale ou ethnique des résidents au niveau spatial est utilisée pour mener des stratégies d’échantillonnage ciblées, ce qui permet d’augmenter l’échantillon non blanc. Notre recherche des ensembles de données canadiens existants a révélé que les enquêtes sur la santé et les sources administratives canadiennes n’intègrent généralement pas ces stratégies. Conclusion Le Canada pourrait améliorer la mesure et la surveillance des inégalités raciales en matière de santé par l’utilisation de pratiques d’échantillonnage améliorées pour recueillir des données raciales dans le cadre d’enquêtes et par l’amélioration des procédures pour la cueillette systématique de données provenant de sources administratives et d’autres sources. De nouvelles méthodes prédictives sont également utilisées pour améliorer l’échantillonnage des groupes non blancs, bien qu’une étude plus approfondie de ces méthodes soit nécessaire.
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 | 0.115 | 0.209 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.004 | 0.007 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".