Vulnerabilidade de pessoas transgênero à insegurança alimentar

Publication year: 2022
Theses and dissertations in Portugués presented to the Universidade Federal do Rio Grande do Norte to obtain the academic title of Doutor. Leader: Noro, Luiz Roberto Augusto

O gênero é um dos fatores associados à Insegurança Alimentar (IA). Apesar das pessoas em grupos minoritários de gênero estarem expostos a fatores potenciais de risco para IA, não temos dados em larga escala sobre estes grupos. Isso acontece devido à forma com que o gênero é classificado em pesquisas populacionais (i.e., homem e mulher), deixando populações transgênero “ocultas” em uma classificação binária. Nesta tese, propomos explorar as relações entre experiências minoritárias de gênero e a vulnerabilidade à IA. Dessa forma, investigamos a associação de fatores alimentares, nutricionais, sociais, econômicos e de preconceito com a IA na literatura científica, por meio de uma revisão sistemática, e um grupo de pessoas transgênero, por meio de um estudo transversal. Em nossa revisão, o desenho de estudo mais utilizado foi o transversal e o menos utilizado foi o etnográfico. Imagem corporal e controle de peso foram os temas predominantes (n = 25), seguidos por segurança alimentar e nutricional (n = 5), estado nutricional (n = 5), assistência nutricional à saúde (n = 1) e visões êmicas de alimentação saudável ( = 1). Em nosso estudo transversal, nossos resultados mostraram que as dificuldades de compra de alimentos na comunidade transgênero são anteriores à pandemia de COVID-19, mas que as medidas restritivas adotadas também impactaram o acesso geral a alimentos de qualidade. No entanto, as principais explicações para o IF foram renda e emprego. Concluímos que excluir diversidade de gênero em pesquisas sobre insegurança alimentar possivelmente tem deixado de revelar demandas importantes para a população transgênero. Nesta tese, apresentamos as relações compreendidas até o momento entre a IA na população transgênero, bem como os possíveis desafios e estratégias alternativas para superação. Esperamos que, assim, possamos apoiar políticas de alimentação e nutrição e sistemas de vigilância, bem como pesquisadores em todo o mundo a compreender a diversidade oculta nos estudos de IA (AU).
Gender is one of the factors associated with Food Insecurity (FI). Although people in gender minority groups are exposed to potential risk factors for FI, we do not have large-scale data on these groups. This is due to how gender is classified in population surveys (i.e., male and female), leaving transgender populations “hidden” in binary classification. In this thesis, we propose to explore the relationships between minority gender experiences and vulnerability to FI. In this way, we investigated the association of food, nutritional, social, economic, and prejudice factors with AI in the scientific literature, using a systematic review, and a group of transgender people, using a cross-sectional study. In our review, the most often used study design was cross-sectional, the least frequently used study design was ethnographic. Body image and weight control were predominant themes (n = 25), followed by food and nutrition security (n = 5), nutritional status (n = 5), nutritional health assistance (n = 1), and emic visions of healthy eating ( = 1). In our cross-sectional study, our results showed that the difficulties in purchasing food in the transgender community predate the COVID-19 pandemic, yet that the restrictive measures adopted have also impacted overall access to quality food. However, the main explanations for FI were income and employment. We conclude that excluding gender diversity in research on food insecurity has possibly failed to reveal essential demands for the transgender population. This thesis presents the relationships understood so far between FI in the transgender population and possible challenges and alternative strategies for overcoming them. We hope that in doing so, we can guide food and nutrition policies and surveillance systems, as well as researchers around the world, to understand the hidden diversity in AI studies (AU).

More related