Reducing racial disparities in pain treatment: The role of empathy and perspective-taking
Notice bibliographique
Résumé
Epidemiological evidence indicates that African Americans receive lower quality pain treatment than European Americans. However, the factors causing these disparities remain unidentified, and solutions to this problem remain elusive. Across three laboratory experiments, we examined the hypotheses that empathy is not only causing pain treatment disparities but that empathy-inducing interventions can reduce these disparities. Undergraduates (Experiments 1 and 2) and nursing professionals (Experiment 3) watched videos of real Black and White patients' genuine facial expressions of pain, provided pain treatment decisions, and reported their feelings of empathy for each patient. The efficacy of an empathy-inducing, perspective-taking intervention at reducing pain treatment disparities was also examined (Experiments 2 and 3). When instructed to attempt to provide patients with the best care, participants exhibited significant pro-White pain treatment biases. However, participants engaged in an empathy-inducing, perspective-taking intervention that instructed them to imagine how patients' pain affected patients' lives exhibited upwards of a 55% reduction in pain treatment bias in comparison to controls. Furthermore, Pro-White empathy biases were highly predictive of pro-White pain treatment biases. The magnitude of the empathy bias experienced predicted the magnitude of the treatment bias exhibited. These findings suggest that empathy plays a crucial role in racial pain treatment disparities in that it appears not only to be one likely cause of pain treatment disparities but also is an important means for reducing racial disparities in pain treatment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».