Embrace the Smoker: Person-First Language Is not a Solution to Stigma
Notice bibliographique
Résumé
The recent editorial, “Time to Stop Using the Word ‘Smoker’: Reflecting on the Role of Language in Advancing the Field of Nicotine and Tobacco Research,”1 raises a number of important points about the use of language in nicotine and tobacco research. Language can indeed be important, and it is crucial to strive for precision in definitions and to use respectful terminology. However, I respectfully disagree with the call for person-first language as a solution to either of these issues. While the push for person-first language comes from a noble place, this terminology ultimately re-enforces stigma and may be actively harmful. The push for person-first language emerges from a set of real problems. As succinctly explained in the editorial,1 the historical terminology used to identify substance users was actively problematic. Terms were either simply slurs (ie, junkie), incorrect (“addict”--most users of most psychoactive substances are not addicted to or dependent on the substance) or both. It was unquestionably wrong, morally and scientifically, to use those terms. Stigma and stigmatizing causes real harms in an individual’s ability to address their substance use and harms associated with it as well as limiting the ability of public health and medicine to implement effective treatment and harm reduction.2,3
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 | 0,008 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,009 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,006 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,081 | 0,022 |
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 ».