Wounded Healers: Abortion and the Affective Practices of Pro-Life Health Care
Notice bibliographique
Résumé
For some post-Roe abortion providers, the emotional cost of their abortion practice was untenable. By the 1980s, former abortion providers had become prominent anti-abortion advocates. Although physicians such as Beverly McMillan grounded their pro-life conversions in medical technologies and "fetological" research, affective connections to the fetus animated their activism. McMillan explained that through abortion practice, the medical profession - her vocation - had gone astray, and her pro-life activism was the cure to the resulting emotional damage. For these physicians, emotional well-being could only be recovered through principled attempts to right the perceived wrongs of the medical profession. Another group of emotionally-engaged pro-life health workers emerged from their pasts as abortion patients. Myriad post-abortion narratives followed the same trajectory: the woman reluctantly underwent an abortion, and was subsequently plagued by apathy, depression, grief, guilt, and substance-use disorders. Pro-life research came to understand this cluster of symptoms as Post-abortion Syndrome (PAS). Some women, such as Susan Stanford-Rue, opted to heal from their pain by becoming PAS counselors. Just as the "reformed" physicians combined their affective experiences with their medical expertise to argue against abortion, the counselors merged emotion and psychiatric language to redefine what it meant to be an "aborted woman" and therefore a PAS counselor. Examining pro-life publications, Christian counseling manuals, and activist speeches, this article argues that, for these activists, science and technology provided the rationale to make abortion unthinkable, but it was the activists' emotional framework that made this rationale pro-life in the first place.
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 | 0,003 | 0,001 |
| 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 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».