Crafting effective regulatory policies for psychedelics: What can be learned from the case of cannabis?
Notice bibliographique
Résumé
The turn of the century brought a resurgence of interest in psychedelics as a treatment for addiction and other psychiatric conditions, accompanied by extensive positive media attention and private equity investment. Government regulatory bodies in Australia, Israel, Canada and the United States now permit use of psychedelics for medical purposes. In the United States, citizen action and corporate financing have led to petitions and ballot initiatives to legalize psilocybin and other psychedelics for medical and recreational use. Given this momentum, policymakers must grapple with important questions that define whether and how psychedelics are made available to the public, as well as how companies produce and promote them. The current push to broaden the production, sale, and use of psychedelics bears many parallels to the movement to legalize cannabis in the United States and other nations-most notably, the use of poorly-evidenced therapeutic claims to create a de facto recreational market via the health care system. Experience with cannabis highlights the value of debating the question of legalization for nonmedical use as such rather than misrepresenting it as a medical issue. The lessons of cannabis policy also suggest a need to challenge hyping of psychedelic research findings; to promote rigorous clinical research on dosing and potency; to minimize the influence of for-profit industry in shaping policies to their economic advantage; and to coordinate federal, state, and local governments to regulate the manufacture, sale and distribution of psychedelic drugs (regardless of whether they are legalized for medical and/or recreational use).
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| 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 ».