The ethics of animal research: a survey of pediatric health care workers
Notice bibliographique
Résumé
INTRODUCTION: Pediatric health care workers (HCW) often perform, promote, and advocate use of public funds for animal research (AR). We aim to determine whether HCW consider common arguments (and counterarguments) in support (or not) of AR convincing. DESIGN: After development and validation, an e-mail survey was sent to all pediatricians and pediatric intensive care unit nurses and respiratory therapists (RTs) affiliated with a Canadian University. We presented questions about demographics, support for AR, and common arguments (with their counterarguments) to justify the moral permissibility (or not) of AR. Responses are reported using standard tabulations. Responses of pediatricians and nurses/RTs were compared using Chi-square, with P < .05 considered significant. RESULTS: Response rate was 53/115(46%) (pediatricians), and 73/120(61%) (nurses/RTs). Pediatricians and nurses/RTs are supportive of AR. Most considered 'benefits arguments' sufficient to justify AR; however, most acknowledged that counterarguments suggesting alternative research methods may be available, or that it is unclear why the same 'benefits arguments' do not apply to using humans in research, significantly weakened 'benefits arguments'. Almost all were not convinced of the moral permissibility of AR by 'characteristics of non-human-animals arguments', including that non-human-animals may not be sentient, or are simply property. Most were not convinced of the moral permissibility of AR by 'human exceptionalism' arguments, including that humans have more advanced mental abilities, are of a special 'kind', can enter into social contracts, or face a 'lifeboat situation'. Counterarguments explained much of this, including that not all humans have these more advanced abilities [the argument from species overlap], and that the notion of 'kind' is arbitrary [e.g., why are we not of the kind 'sentient animal' or 'subject-of-a-life']. Pediatrician and nurse/RT responses were similar. CONCLUSIONS: Most respondents were not convinced of the moral permissibility of AR when given common arguments and counterarguments from the literature. HCW should seriously consider arguments on both sides of the AR debate.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 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 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».