Wrongful Medicalization and Epistemic Injustice in Psychiatry
Notice bibliographique
Résumé
In this paper, my goal is to use an epistemic injustice framework to extend an existing normative analysis of over-medicalization to psychiatry and thus draw attention to overlooked injustices. Kaczmarek (2019) has developed a promising bioethical and pragmatic approach to over-medicalization, which consists of four guiding questions covering issues related to the harms and benefits of medicalization. In a nutshell, if we answer “yes” to all proposed questions, then it is a case of over-medicalization. Building on an epistemic injustice framework, I will argue that Kaczmarek’s proposal lacks guidance concerning the procedures through which we are to answer the four questions, and I will import the conceptual resources of epistemic injustice to guide our thinking on these issues. This will lead me to defend more inclusive decision-making procedures regarding medicalization in the DSM. Kaczmarek’s account complemented with an epistemic injustice framework can help us achieve better forms of medicalization. I will then use a contested case of medicalization, the creation of Premenstrual Dysphoric Disorder (PMDD) in the DSM-5 to illustrate how the epistemic injustice framework can help to shed light on these issues and to show its relevance to distinguish good and bad forms of medicalization.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».