Retrospective Analysis of HIV Pre-exposure Prophylaxis (PrEP) Awards Under Executive Order 14168 on Gender Ideology in the U.S. 2012-2025
Notice bibliographique
Résumé
Objectives: To assess the potential impact of Executive Order (EO) 14168, which restricts the use of terms such as "gender," "transgender," and "LGBT," on HIV PrEP-specific research funding, communications, and publications in the United States. Study design: A retrospective analysis of federal grant awards related to HIV pre-exposure prophylaxis (PrEP) was conducted using public data sources. Methods: Award titles and abstracts were obtained from the Tracking Accountability in Government Grants System (TAGGS) for grants containing the terms "PrEP" or "pre-exposure prophylaxis" between 2012 and 2025. Grants were coded for the presence of EO-14168-restricted terminology. Award disbursement characteristics and funding amounts were analyzed, with data subset by presidential budgetary periods for political comparison. Results: Among 388 unique grants, 118 (30.4%) contained terminology that would be excluded under EO-14168. The most frequently represented restricted terms were "transgender" and "gender." Mental health research accounted for the largest share of excluded awards. Both Democratic and Republican states experienced reductions in HIV PrEP-specific funding under these exclusions. The total disbursements affected by restricted terminology amounted to nearly $160 million (USD). Conclusions: If applied retrospectively, EO-14168 would have reduced HIV PrEP-specific research funding by nearly $160 million (USD) from 2012 to 2025, with downstream effects of approximately $400 million (USD) in lost economic activity from the NIH. These restrictions could substantially limit HIV prevention research, particularly in populations disproportionately impacted by HIV.
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 | 0,015 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».