From the brain to bad behaviour and back again: Neurocognitive and psychobiological mechanisms of driving while impaired by alcohol
Notice bibliographique
Résumé
ISSUES: Driving while impaired by alcohol (DWI) is responsible for substantial mortality and injury. Significant gaps in our understanding of DWI re-offending, or recidivism, reduce our ability to practically assess recidivism probability and to match interventions to individual risk profiles. These shortcomings reflect the baffling heterogeneity in the DWI population and the limited focus of much existing DWI recidivism research to psychosocial, psychological and substance use correlates. APPROACH: This narrative review summarises the evidence for the contribution of neurocognitive and psychobiological mechanisms to DWI behaviour and recidivism. Given the nascent nature of this literature, insight into the putative contribution of these mechanisms to DWI is also drawn from other experimental literatures, particularly those on alcohol use disorders and cognitive and behavioural neuroscience. KEY FINDINGS: Alcohol-related neurotoxicity and dysregulation of hypothalamic-pituitary-adrenal axis and serotonergic systems may underlie certain offender characteristics consistently correlated with heightened DWI risk, persistence and intervention resistance. Their markers are less vulnerable to sources of bias than subjective psychosocial indices and are more far-reaching than alcohol abuse in explaining DWI behaviour and recidivism. Implications. The investigation of neurocognitive and psychobiological mechanisms in DWI research is a promising avenue for discerning clinically meaningful subgroups within the DWI population. This can lead to research and development in alternative assessment and more targeted intervention technologies. CONCLUSION: Multidimensional research in DWI and recidivism offers novel avenues for increasing road safety.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 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 ».