生活与健康研究：推进用于人口健康研究的多种歧视测量与分析新方法（R01 MD012793，2019–2026）
Life + Health Study（R01MD012793）为横断面人群研究，旨在改进歧视暴露测量与分析，比较内隐与传统自我报告测量，评估多种歧视暴露建模并检验其与健康关联
基本信息
资源简介
生活与健康研究：推进用于人口健康研究的多种歧视测量与分析新方法（R01 MD012793，2019–2026）
Life + Health Study: Advancing novel methods to measure and analyze multiple types of discrimination for population health research (R01 MD012793, 2019–2026)
Life + Health Study（R01MD012793）为横断面人群研究，旨在改进歧视暴露测量与分析，比较内隐与传统自我报告测量，评估多种歧视暴露建模并检验其与健康关联。对象为美国出生25–64岁成人，2020–2022年从波士顿三家社区健康中心招募，目标1,092人，核心分析约699人。数据含歧视B-IAT和自报调查，主要结局为心理困扰与睡眠相关障碍；文档、工具、码本及分析代码见GitHub，去标识数据存于哈佛Chan School安全服务器（来源 DOI 解析）。
【数据集背景】
源站首次发布：2026。
【数据内容】
源站描述（机器翻译，仅供参考）：Life + Health 研究（“推进用于人口健康研究的多种类型歧视测量与分析方法”；NIH R01MD012793）是一项横断面、基于人群的研究，旨在改进如何测量和分析歧视暴露与健康的关系。该研究将新型内隐测量与传统的歧视外显（自我报告）测量进行比较，评估对多种类型歧视暴露进行建模的方法，并检验歧视与健康之间假设的关联。该研究在2020年至2022年间从马萨诸塞州波士顿的三家社区健康中心（Fenway Health、Mattapan Community Health Center和Harvard Street Neighborhood Health Center）招募的25–64岁美国出生成年人中开展。R01项目下的目标样本量为1,092名参与者；此处记录的分析数据集约包含699名参与者，他们完成了内隐和外显两部分，并符合核心分析的纳入标准。参与者可能在多个社会维度上经历过歧视（例如，种族/族裔、性别认同、年龄、性取向、体重）。数据收集包括：(1) 用于歧视的简式内隐联想测验（B‑IAT）组合，采用经过优化的格式，以省时地评估终生对多种类型歧视的暴露；以及 (2) 一项经过验证的外显自我报告调查，测量歧视经历，并同时收集健康和社会人口学信息。主要健康结局包括心理困扰和睡眠相关障碍。公开材料与文档：该数据集记录提供正式引用信息和可公开获取的材料，包括文档、研究工具、编码手册和分析代码。所有公开材料也可在GitHub上获取。数据存储：去标识化的分析数据集存储在由Harvard Chan School Information Technology管理的安全Harvard Chan School服务器上。数据访问：由于数据包含敏感的健康和社会信息
【主题与分类】
主题标签：Medicine, Health and Life Sciences、Social Sciences、implicit association test、self-reported discrimination、health inequities、population health、community health centers、psychological distress、sleep disorders、intersectionality。本站分类：精神与行为障碍。
【获取与许可】
源站页面：https://dataverse.harvard.edu/citation?persistentId=doi:10.7910/DVN/QNJV0A
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://doi.org/10.7910/DVN/QNJV0A
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 6.5 MB。
数据说明
Life + Health 研究（“推进用于人群健康研究的多种类型歧视测量与分析的新方法”；NIH R01MD012793）是一项横断面、基于人群的研究，旨在改进歧视暴露与健康关系的测量和分析方式。该研究将新型内隐测量与传统的歧视外显（自我报告）测量进行比较，评估对多种类型歧视暴露进行建模的方法，并检验歧视与健康之间假设的关联。该研究在2020年至2022年间从马萨诸塞州波士顿的三家社区健康中心（Fenway Health、Mattapan Community Health Center 和 Harvard Street Neighborhood Health Center）招募的25–64岁美国出生成人中开展。R01 项目下的目标样本量为1,092名参与者；此处记录的分析数据集包含约699名参与者，他们完成了内隐和外显两部分，并符合核心分析的纳入标准。参与者可能在多个社会维度上经历过歧视（例如，种族/族裔、性别认同、年龄、性取向、体重）。数据收集包括：（1）针对歧视的简式内隐联想测验（Brief Implicit Association Test，B‑IAT）成套测验，采用经过改进的形式，以高效评估终生暴露于多种类型歧视的情况；以及（2）一份经过验证的外显自我报告调查，用于测量歧视经历以及健康和社会人口学信息。主要健康结局包括心理困扰和睡眠相关障碍。公开材料与文档：该数据集记录提供正式引用信息和可公开获取的材料，包括文档、研究工具、编码手册和分析代码。所有公开材料也可在 GitHub 上获取。数据存储：去标识化分析数据集存储在安全的 Harvard Chan School 服务器上，由……管理。
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
