Embedding Equity in Data at a Local Health Department

健康格差をなくすには、データの主観性と、物語を決定し強化するデータの力を認識する必要があり、データの実践を意図的に改革する必要があります。

データは、人々のために、人々によって作られた社会的構築物であり、データが収集され、公衆衛生の実践で使用される方法は、重大な結果をもたらす力の行為です. 最近、COVID-19 やその他の流行やパンデミックが同時に発生したことで、高品質の公衆衛生データの必要性が一般の人々の意識に浸透し、新たな緊急性が高まっています。 COVID-19 の初期の段階で、データの不足が有色人種のコミュニティにどれほどの損害を与える可能性があるかを確認しました。 2020 年には、人種やその他の重要なアイデンティティ要素に基づいてデータを共有したり収集したりする州がほとんどなかったため、最も必要とされる場所に割り当てられるリソースが少なくなりました。 その結果、黒人とラテン系住民の死亡率がはるかに高くなりました。 これは、貴重なデータが隠蔽または隠蔽されている場合に悪化し、投獄されている人や老人ホームにいる人のように、最も脆弱で疎外されている人々の間で COVID-19 やその他の感染症の蔓延を早めます。

データの収集、分析、解釈、普及のすべての側面で公平性、特に反人種差別と交差性が考慮されていない場合、最高の「データ主導」の決定でさえ、害を永続させる可能性があります。 私たちの最近の論文では、NYC 保健精神衛生局が Data for Equity の作成に着手したプロセスについて説明しています。Data for Equity は、エージェンシーのデータ プラクティスに交差する反人種差別的な公平性レンズを適用するためのフレームワークです。 これには、社会正義と人種およびジェンダーの公平性に基づいたデータ分析とコミュニケーションに関するリソースのニーズの特定、データを扱うスタッフ向けの初期ガイダンスの特定、提供されるべきツールとトレーニングの種類に関するリーダーシップへの推奨事項の作成が含まれます。

学んだこと:

  • 真に反人種差別的で交差的な公衆衛生機関となり、健康格差を効果的に解消するには、データの主観性と、物語を指示し強化するデータの力を認識する必要があり、データの慣行を意図的に改革する必要があります。
  • データの収集、分析、共有方法における体系的な抑圧に対処することは、交差的で反人種差別的な公衆衛生慣行の明確な部分でなければなりません。
  • データの公平性は、全国的な会話やデータのモダナイゼーションに向けたイニシアチブの不可欠な基盤です。
  • 公衆衛生コミュニティは、公衆衛生のレトリックで人種的平等を前面に押し出すことで進歩を遂げましたが、公衆衛生の決定に影響を与えるデータの収集、分析、および報告に公平性の原則を組み込む方法に対処するリソースはほとんどありません。 他の保健部門は、私たちが作成したモデルを使用して、同様の制度改革イニシアチブを設計できます。
  • スタッフのトレーニングとデータ収集と分析の改革に加えて、分析の実際の計画と実行、レポートの編集、および内部配布、プログラム、またはリソース割り当ての決定、または出版物。 この組み込まれた計画と実行は、継続的かつ意図的なものでなければなりません。

公平な方法でデータを扱うための推奨される原則:

  • 「ベスト プラクティス」を「ベター プラクティス」に再構成します。 慣習は、私たちが学習したり学習をやめたりするにつれて、時間の経過とともに変化します。 さらに、人々やコミュニティは変化し、言語は新しいアイデアやアイデンティティを含むように変化します。
  • 制度改革と個人改革にデータ改革を組み込む。 人それぞれの生きた経験や立場によって、抑圧の呼び方や解釈の仕方が変わります。 私たちの偏見と成長の必要性を認めるプロセスは、個人および組織レベルで進行中です。
  • すべてのデータを正当な歴史的、政治的、経験的な文脈で提示します。 データは常に、さまざまな歴史的、政治的、社会的コンテキストの結果です。 たとえば、人種/民族のカテゴリは、収集されるデータに社会政治的なレンズを追加するだけでなく、特権の歴史、人種差別的な社会構造、および人種差別的な政策も反映します。
  • 横断的にデータを収集して分析する. 真に包括的なデータは交差的です。 有色人種に対する人種差別と社会的不公正の影響は、有色人種の女性を含む抑圧の交差点にいる人々への具体的な影響を理解しない限り、完全には理解できません。 障害を持つ人々; トランスジェンダー、ジェンダー不適合、ノンバイナリーの人々。 そして、歴史的にも組織的にも周縁化されてきた多くの人々。
  • 人々の生きた経験を大切にし、それを逸話ではなくデータとして扱います。 データの意味を理解するには、生きた経験が必要です。 人口統計データに記録されたアイデンティティは、複雑で進化し続ける階層的な権力構造を反映する社会構造です。 人口統計学的カテゴリーが不十分または大まかに定義されているデータ収集手段は、多くの場合、人々の生活経験と一致しないため、定量的データを使用して不平等を正確に特定することが難しくなります。
  • データのライフサイクル全体にわたって、方法について透明性を保ち、相談に乗ります。 方法論的決定 (例えば、信頼性の推定) は、データが分析されている人々にはほとんどアクセスできません。 たとえば、データセット内の小さなグループを集約する方法に関する決定は、データが収集されてからかなり後に行われます。 これは、生きた経験を正確に反映していないカテゴリを作成することになります.
  • 誰がデータから欠落しているか、欠落している理由、およびそれが分析と普及にとって何を意味するかを常に調べます。 キーポピュレーションがデータ収集から除外されている場合、制限セクションの大まかな行を除いて、それらの欠如が指摘されることはまれです。 これらの不在は、複合的で不公平な影響を及ぼします。

過去 2 年間、公衆衛生における公平なデータ作業への関心が高まっていることに引き続き励まされており、これが全体的な健康公平作業へのデータ プラクティスの統合につながることを期待しています。 また、私たちはすべての公衆衛生の実践者 (ドアをノックして調査データを収集する人々から、データを使用して切実に必要とされている構造変化を提唱する指導的地位にある人々まで) に、自分自身を変革すること、データを扱う方法、そしてそれらが働く構造。

健康格差をなくすには、データの主観性と、物語を決定し強化するデータの力を認識する必要があり、データの実践を意図的に改革する必要があります。

記事を読む 公衆衛生管理と実践のジャーナル:


ハンナ・グールド ニューヨーク市保健精神衛生局の疫学サービス局の副長官であり、公衆衛生データの収集、分析、コミュニケーションのあらゆる側面に公平性を組み込むことで、ニューヨーカーの健康を改善するのに役立っています。

Lタンタイ 現在、L Tantay Consulting, Inc. の社長兼チーフ コンサルタントを務めています。 (https://ltantay.com) であり、戦略的計画、円滑化、およびトレーニングのための公平性、公平性、多様性、および包括性に関する構築能力を提供します。 以前は、NYC 保健局の LGBTQ+ リエゾンおよび Race to Justice の代理ディレクターを務めていました。

マリア・バケロ ニューヨーク市保健精神衛生局 (DOHMH) の疫学サービス局の上級社会疫学者です。 彼女の研究は、不平等を永続させ、十分なサービスを受けていない人々の健康を形成する個人的および構造的状況に焦点を当てています。

Stephanie E. Farquhar PhD、MHS、 公衆衛生と社会正義の交差点で 15 年間働いてきました。 彼女はニューヨーク市の保健局で、Center for Health Equity の研究評価ディレクターを務め、そこで Data for Equity を共同設立しました。

リサ・ラマダール 探究を通じて問題を定義し、社会問題の解決策を特定するチェンジメーカーです。 リサは研究と評価を通じて、組織における不公平のパターンを明らかにし、組織文化を変革するための戦略を開発しています。 二児の母です。

Leave a Comment