On Minimizing Risk and Harm in the Use of Psychedelics
Notice bibliographique
Résumé
Objective: This article outlines recommendations from 30 psychedelic researchers on how to create a better psychedelic safety net. Methods: A survey of 30 psychedelic researchers asked them to identify key critical research gaps around psychedelic harm and safety. Results: The critical research gaps identified by the authors included defining the main types of psychedelic harm, the predictors of those harms, and the most effective way to treat those harms. They also call for better support for those experiencing post-psychedelic difficulties, including better online information, peer support groups, affordable therapy, and psychiatric consultation and medication. Finally, the authors call for better funding to create a psychedelic safety net, and suggest psychedelic philanthropists, investors and companies could commit 1% of their investment in psychedelics into supporting safety measures such as research and support services. Conclusions: The authors identify several practical steps to create a better psychedelic safety net and call for more funding to psychedelic safety measures such as research and support services. Relevance to clinical practice: The authors outline important gaps in our knowledge around the safety and risk profile of psychedelic medicines and identify practical steps forward for researchers and clinical practitioners to make this promising field safer.
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 | 0,106 | 0,228 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,011 |
| Communication savante | 0,008 | 0,014 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,010 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».