“Evaluating normative epistemic frameworks in medicine: EBM and casuistic medicine”
Notice bibliographique
Résumé
Since its inception in the early 1990s, evidence-based medicine (EBM) has become the dominant epistemic framework for Western medical practice. However, in light of powerful criticisms against EBM, alternatives such as casuistic medicine have been gaining support in both the medical and philosophical community. In the absence of empirical evidence in support of the claim that EBM improves patient outcomes, and in light of considerations that it is unlikely that such evidence will be forthcoming, another standard is needed to assess EBM against its alternatives. In this paper, I propose a set of criteria for this purpose based on Helen Longino's criteria for assessing the objectivity of a knowledge productive community. I then apply these criteria to assess EBM against a casuistic framework for medical knowledge. I argue that EBM's strict adherence to a hierarchical organization of knowledge can reasonably be expected to block it from fulfilling a high level of objectivity. A casuistic framework, on the other hand, because it emphasizes critical evaluation in conjunction with the flexibility of a case-based approach, could be expected to better facilitate a more optimal epistemic community.
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 | 0,128 | 0,180 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,012 | 0,005 |
| Études des sciences et des technologies | 0,010 | 0,110 |
| Communication savante | 0,018 | 0,027 |
| Science ouverte | 0,004 | 0,015 |
| Intégrité de la recherche | 0,007 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».