《Ethnicity & Health》：Is doing better science enough?: An autoethnographic study of a multidisciplinary collaboration to measure structural racism
编辑推荐：
摘要
目标 解决结构性种族主义（structural racism）仍是人群健康与社会科学领域的一项关键挑战，因为传统的定量方法往往无法打破长期存在的种族化健康等级体系。本研究对一项试图在实施反种族主义实践（anti-racist praxis）的同时，对生
摘要
目标 解决结构性种族主义（structural racism）仍是人群健康与社会科学领域的一项关键挑战，因为传统的定量方法往往无法打破长期存在的种族化健康等级体系。本研究对一项试图在实施反种族主义实践（anti-racist praxis）的同时，对生命历程结构性种族主义进行操作化定义与测量尝试的多学科科学合作过程进行了批判性审视。
设计 研究人员采用一种以社会认知理论（social cognitive theory）和反种族主义实践为基础的协作式分析自我民族志（collaborative analytic autoethnography）框架，研究团队由生物统计学家、护理科学家、流行病学家、老年学家、社会科学家和一名肾病学家组成，成员来自不同种族化群体、职业阶段和机构，将团队过程视为一个社会分析现场。研究人员考察了个人主义范式与系统性测量之间的张力，从团队审议和专门焦点小组中收集了定性实地数据。
结果 浮现出三个主要的自我民族志主题：操作化并理解结构性种族主义、构建方法论基础设施、以及应对问责与追求多维测量。尽管定性生命历程历史访谈、专家小组、公共播客和一项全国性调查推进了概念与数据基础设施，但显著的方法论障碍——包括历史地址回忆、地理编码缺失和地理不匹配——阻碍了即时测量验证。自我民族志反思揭示了制度激励、资本主义学术压力和资助机制如何使集体公平工作复杂化。
结论 通过审视协作过程，研究人员证明，开展“不同的科学”要求优先考虑反思性的、集体性的团队动力和基础设施，而非快速的测量产出。将反种族主义实践和社区问责嵌入科学合作中，为推进结构性种族主义研究和消除系统性健康不平等提供了一条变革性路径。
论文解读：做“不同的科学”——一项测量结构性种族主义的多学科协作自我民族志研究
**研究背景与问题**
结构性种族主义被美国医学会（American Medical Association, AMA）和美国公共卫生协会（American Public Health Association, APHA）认定为健康差异的根本驱动因素。与表现为个体偏见、歧视性互动或单一机构政策的人际种族主义（interpersonal racism）和制度种族主义（institutional racism）不同，结构性种族主义是由相互关联的制度、政策和社会规范构成的总体系统，系统性地不公平分配资源和机会。尽管近年来健康与社会科学在概念框架、观测和建模方法上取得了长足进步，但仅依赖传统方法的研究始终未能打破自二十世纪初以来就被记录的社会等级体系。新冠疫情后，社会健康决定因素进一步恶化，黑人种族化青年心理健康问题增多、种族化测验分数差距扩大、孕产妇和新生儿死亡率持续存在种族化差异。这些现实表明，“做更好的科学”并不足够，或许“做不同的科学”——而非将同样的科学做得更好——更有可能实现所追求的健康公平。
在此背景下，研究人员开展了一项自我民族志（autoethnography）研究，对一支致力于测量结构性种族主义的多学科协作团队进行批判性反思。该研究依托美国国立卫生研究院（National Institutes of Health, NIH）主任先锋奖（Director’s Pioneer Award, DP1）机制——一种高风险、高回报且以宽泛发展里程碑而非严格具体目标为导向的资助方式。整个项目分三个阶段：第一，开发和测试新的结构性种族主义与韧性测量；第二，传播测量并收集人群层面数据；第三，将研究结果转化为结构性干预策略。本研究将这一发展过程作为社会分析现场，重点考察协作团队在行动、张力和权力动态方面的经验，而非仅关注资助成果。
**主要技术方法概述**
研究人员采用协作式分析自我民族志框架，结合社会认知理论（social cognitive theory）和反种族主义实践（anti-racist praxis），将团队自身视为研究工具和分析对象。协作团队最初由8名成员扩展为16名，成员包括生物统计学家、护理科学家、流行病学家、老年学家、社会科学家和肾病学家，覆盖多个种族化群体（美洲原住民n=1，黑人/非洲裔美国人n=6，白人n=6，拉丁裔n=1，亚裔美国人n=1，亚洲人n=1）、职业阶段（教授n=10，研究人员n=2，博士后n=2，研究生n=1，职员n=1）和机构。数据来源包括：每月团队会议录音、参与者观察田野笔记、会议材料，以及在项目第3年进行的专项焦点小组讨论。焦点小组由7名协作者参与，围绕两个半结构化核心提示展开：一是测量生命历程结构性种族主义与衰老影响的进展和障碍，二是基础设施方面的空白与需求。数据分析采用归纳内容分析法，三名团队成员独立编码，通过共识解决分歧，最终合成为更高层次的主题。样本数据方面，研究使用了15名黑人种族化老年人的生命历程历史访谈、40名结构性种族主义领域专家的焦点小组访谈、一项针对225名50岁及以上美国出生成年人的线上试点调查，以及一项与NORC和AARP合作开展的Foresight 50+?全国概率抽样调查（n=3,799，其中概率样本完成3,299份，应答率27.9%）。
**研究结果**
研究识别出三个核心的自我民族志主题：操作化并理解结构性种族主义、构建方法论基础设施、以及应对问责与追求多维测量。
**主题一：操作化并理解结构性种族主义**
该主题揭示了团队为建立对结构性种族主义如何在生命历程中运作并影响健康与衰老的共同认识所付出的密集迭代过程。研究人员首先对15名黑人种族化老年人进行了生命历程回顾访谈，参与者阐明了教育、住房和医疗保健等领域的制度种族主义如何在不同生命阶段显现。随后，团队对40名来自不同学科的结构性种族主义研究者进行了线上个人和焦点小组访谈，每4-7名专家对应一个领域（如住房、就业、刑事司法、信贷/财富），探讨宏观政策如何转化为可操作的指标。通过整合有生活经验的老年人和领域专家的数据，协作团队共同开发了涵盖9个领域27项指标的生命历程结构性种族主义综合概念框架。这一过程凸显了一个方法论张力：个体虽然能敏锐地体验结构性种族主义，但并不总能将个人生命轨迹与更广泛的隐性政策决策联系起来，因此有必要将个体层面的叙事数据与宏观层面的历史指标相结合。
**主题二：构建方法论基础设施**
该主题强调健康公平研究者面临的结构性和基础设施真空。为严格研究结构性种族主义，团队不得不从零开始构建方法论基础设施。研究产生了三项主要基础设施制品：播客、跨学科研讨会议和两项调查。
“衰老快与慢”（Aging Fast and Slow）播客作为公共反思工具，共四季十集，邀请了包括Zinzi Bailey博士和Rachel Hardeman博士在内的结构性种族主义研究领袖，讨论如何在其领域操作化结构性种族主义、追踪其跨生命历程的健康影响，并描述反种族主义策略。该播客帮助团队实时精炼理论，例如Bailey博士强调发展生命阶段与历史政策时代（如1980-90年代大规模监禁时期）之间的交互作用。Hardeman博士则指出，捕捉多维性对政策制定至关重要，因为当前政策往往仅基于单一维度制定。
2023年1月，团队在约翰斯·霍普金斯大学组织了题为“引入新方法推进结构性种族主义评估与理解”的泛校园研讨会，由Sarah Szanton、K.T. Ramesh和Hahrie Han共同领导，汇聚了来自流行病学、护理学、生物统计学、政治学、计算机科学、人工智能（artificial intelligence, AI）、人口学、工程学、医学、社会学、经济学和新闻学等10多个学科的40名学者。研讨会包括四场主题演讲和四场分组讨论，探讨了机制建模和测量的根本目的。研讨会暴露出认识论分歧：计算机科学家主张用AI/机器学习识别复杂预测特征组合，而人群健康科学家则指出预测算法无法阐明因果机制。值得注意的是，尽管参与积极，最终没有人提交使用该数据集的试点资助申请，揭示了研究者缺乏专门时间、培训或制度激励来执行复杂的多层次结构性种族主义建模。
在定量操作化方面，团队执行了两项调查。第一项试点调查（n=225）通过Qualtrics招募了225名50岁及以上的美国出生黑人种族化和白人种族化成年人，收集其一生中的自我报告居住地址。但数据分析显示，该样本量不足以拟合能够捕捉多维领域交互的复杂结构方程或潜变量模型。因此，团队与NORC和AARP合作建立了第二项Foresight 50+?全国概率抽样调查（n=3,799），在统计学家Steven Heeringa博士的咨询下，对80岁及以上老年人和种族少数群体进行了过度抽样。调查询问了七个生命阶段的回顾性居住史，并采集了自评健康、不健康天数指数、功能困难、食品安全、经济压力、父母职业和祖先奴隶制历史等变量。反馈数据显示，在1,884名回答开放问题的受访者中，34.7%（n=654）报告了显著的认知和后勤困难，包括无法回忆童年时期准确街道门牌号或邮政编码、频繁搬家、居住不稳定、无家可归或在缺乏标准地址的农村/保留地居住等。高缺失或不精确的历史地址数据，加上缺乏二十世纪早期历史普查区数据用于插补，导致无法精确地理编码，大幅减少了可用于空间链接的分析样本量。这表明当前流行病学基础设施从根本上不足以支持无缝的回顾性生命历程结构性暴露建模。
**主题三：应对问责与追求多维测量**
至5年资助期的第3年，团队尚未最终确定单一的结构性种族主义指数，这一延迟引发了关于科学生产力、制度摩擦和关系性问责的深刻反思。团队成员识别出四个问责对象：有生活经验的个体和社区、更广泛的科学界、内部跨学科协作以及资助机构。成员们表达了对社区问责的脆弱感，因为社区成员虽被访谈，但未被完全纳入正式资助治理结构。同时，成员强调开发经过验证的测量指标必须具有双重目的：在实现统计严谨性的同时，不能让数据武器化伤害边缘化社群。一位协作者指出：“我们能开发的指标越能阐明很多事情是结构性的，就越能消除‘这是个人选择’的观念。”尽管指标尚未最终完成，团队承认已向科学界交付了重要贡献，包括已发表的综述和理论框架（如LaFave等，2022；Bergman等，2023）、建立了协作网络，并示范了一种高度反思性的多种族学术空间。内部问责方面，成员认为良好的多种族、多层级学术界共同合作并能彼此坦诚相待本身就具有价值。正因结构性种族主义本质上是多方面和系统性的，传统的“快速产生浅层指标”的学术模式必须让位于有意识的、高度反思性的团队过程。
**讨论与结论**
这项协作式和集体式自我民族志记录了一支持续追求影响力科学的多学科团队的贡献、反思性成长边缘和方法论摩擦。协作最初目标是构建并验证一个能够为健康公平政策提供信息的多维结构性种族主义测量，但开发过程因现象本身的高度复杂性而远超预期，要求对结构性种族主义在时间、空间和领域中的运作进行详尽的概念奠基，并建造缺失的流行病学基础设施。在这一过程中，研究人员认识到社区建设和跨学科团结的关系性过程本身就是一项关键产出。通过应用反种族主义实践框架，团队系统性地贯彻了其核心原则：以问责为中心的反思性关系实践、承认历史伤害并寻求去学习的教育、识别种族主义路径的结构性权力分析、基于这些原则推动系统变革，以及随时间监测和评估进展。
讨论部分深刻反思了测量的局限性。尽管经过验证的测量可以阐明结构性种族主义如何随历史时代演变，并与纵向队列（如国家健康与衰老趋势研究）关联，以量化生命历程累积暴露对晚年认知衰退、心血管疾病和死亡率的影响，但历史上许多住宅隔离和住房歧视指数虽然产生了大量科学文献，却未显著改变边缘化社区的生活体验。因此，期望单一结构性种族主义测量能自动产生政策转型可能是根本错误的。研究人员承认，量化测量能带来概念清晰性，但研究者不应沉迷于无尽测量精炼而忽略直接的结构性干预。最终，基层社区组织和一线倡导者是真正运用专业知识服务当地民众的实体，但往往缺乏学术研究中心所拥有的制度资源。反种族主义实践的第五项原则提出了根本问题：“如果我们不测量结构性种族主义，又如何知道我们已破坏了它？”因此，测量仍然至关重要。当测量植根于生活经验，并反映能够推动政治和文化领域的叙事时，它就为科学和社会所要求的公平提供了一个“可观察的基础”。与此同时，研究人员必须正视现代生物医学科学的政治经济学，竞争性、公司化的学术环境使教师常需自筹工资，助长了以机构生存而非社区解放为中心的市场驱动竞争。在这种条件下，发表同行评议论文可能沦为最终目标，而非通往社区所需政策变革的中间步骤。研究人员质疑：人群健康科学在其传统制度形式下，是否已经辜负了我们声称服务的人群？真正经历结构性种族主义的人可能并不需要另一个定量测量来证明其生活现实；对这种测量的需求主要来自学术机构和学科本身。因此，“做不同的科学”要求我们将科学工具与反种族主义行动对齐，将社区权力、结构性问责和变革性实践置于学术常规之上。这一结论为人口健康科学提供了一条超越“更好科学”的变革路径，强调唯有通过反思性协作、基础设施建设和社区问责，才能实质推进结构性种族主义研究与系统健康不平等的消除。
