Trojan Horse Technologies: Smuggling Criminal-Legal Logics into Healthcare Practice
Notice bibliographique
Résumé
In the throes of an intractable overdose crisis, U.S. pharmacists have begun to engage in an unexpected practice—policing patients. Contemporary sociological theory does not explain why. Theories of professions and frontline work suggest professions closely guard jurisdictions and make decisions based on the logics of their own fields. Theories of criminal-legal expansion show that non-enforcement fields have become reoriented around crime over the past several decades, but past work largely focuses on macro-level consequences. This article uses the case of pharmacists and opioids to develop a micro-level theory of professional field reorientation around crime, the Trojan Horse Framework. Drawing on 118 longitudinal and cross-sectional interviews with pharmacists in six states, I reveal how the use of prescription drug monitoring programs (PDMPs)—surveillance technology designed for law enforcement but implemented in healthcare—in conjunction with a set of field conditions motivates pharmacists to police patients. PDMPs serve as Trojan horse technologies as their use shifts pharmacists’ routines, relationships with other professionals, and constructions of their professional roles. As a result, pharmacists route patients out of the healthcare system and leave them vulnerable to the criminal-legal system. The article concludes with policy recommendations and a discussion of future applications of the Trojan Horse Framework.
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 | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,012 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,004 |
| 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 ».