Making sense of <i>pot</i> : conceptual tools for analyzing legal cannabis policy discourse
Notice bibliographique
Résumé
In the last decade, there has been a significant surge in cannabis legalization, with Uruguay (2013), Canada (2018) and 19 U.S. states (2012-2022) having developed recreational cannabis policies. A growing literature analyzes legalization from a policymaking or public health standpoint. Yet only few studies have explored its discursive component . This article contributes to filling this gap by developing conceptual tools for cannabis policy discourse analysis. I first examine the history of cannabis policy in North America and find two main discursive clusters, i.e., moral and epistemic discourse. I then discuss existing typologies of cannabis regulation models and select that of Beauchesne, which distinguishes between three models: prohibition 2.0, public health and harm reduction, and commercialization. At the intersection of discursive clusters and these regulation models, I identify six mutually exclusive frames of cannabis policy: moral panic, medical/health, reparations/vulnerabilities, harm reduction/risk mitigation, laissez-faire/liberalism, and illicit market/revenue.
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 | 0,015 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,011 | 0,007 |
| Études des sciences et des technologies | 0,008 | 0,053 |
| Communication savante | 0,018 | 0,026 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».