Trends in verschillende gezondheidsindicatoren: de rol van opleidingsniveau.
Bibliographic record
Abstract
Het is bekend dat de gezondheid verschilt naar opleidingsniveau en dat de ene gezondheidsindicator andere trends in gezondheidsproblemen toont dan de andere. In dit onderzoek staat de vraag centraal of de eerder gesignaleerde verbetering in gezondheid, gebaseerd op de OESO-indicator met vragen over beperkingen in mobiliteit, horen en zien, zich evenzeer voordoet onder laag-, middelbaar en hoogopgeleiden in de leeftijd 55 tot 70 jaar, en voor andere gezondheidsmaten. Deze vraag is onder andere van groot belang omdat de verhoging van de AOW-leeftijd en de hogere kans op gezondheidsproblemen naarmate de werknemer ouder wordt, ertoe leiden dat een toenemend aandeel oudere werknemers gezondheidsproblemen ervaart. Van belang is ook om te weten om welke categorie werknemers het dan vooral gaat. Merk daarbij ook op dat een afname van gezondheidsproblemen over de tijd op bevolkingsniveau de leeftijdsafhankelijke verslechtering van de gezondheid zou kunnen compenseren. Het onderzoek maakt gebruik van de jaarlijkse gezondheidsenquête van het CBS voor de periode 1989-2018. Het onderzoek laat een afname over de tijd zien van lichamelijke beperkingen bij gegeven leeftijd als we kijken naar de eerdergenoemde OESO-indicator. Voor drie andere indicatoren, inclusief de OESO-indicator zonder horen en zien, vinden we geen verbetering van de gezondheid. Ook zien we voor de OESO-indicator alleen een significante daling van beperkingen voor middelbaar en hoogopgeleide mannen en hoogopgeleide vrouwen. Beperkingen in het zelfstandig functioneren ofwel ADL-beperkingen (ADL: algemene dagelijkse levensverrichtingen, bijvoorbeeld zich verplaatsen en zich aan- en uitkleden) nemen toe voor laagopgeleide mannen en vrouwen. De gunstige trend voor de OESO-indicator inclusief mobiliteit, horen en zien gaat niet op voor de andere gezondheidsmaten en zeker niet voor lageropgeleiden die sowieso al een hoger percentage gezondheidsproblemen kennen.
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 | 0.005 | 0.025 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.008 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.025 | 0.003 |
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".