Geographical Variation in the Prevalence of Problematic Substance Use in Canada
Notice bibliographique
Résumé
OBJECTIVE: The prevalence of substance-related problems has been shown to vary between Canadian provinces, but little else is known about the pattern of geographical differences. In this study, we modelled these differences, using methods of spatial analysis, and attempted to determine whether they are explained by known risk factors. METHODS: We used data from Cycle 1.2 of the Canadian Community Health Survey. We tested interprovincial differences, before and after adjustment for covariates, and also examined differences between urban areas. We then used interpolation techniques to model variation in prevalence without reference to administrative boundaries. Finally, we performed a spatial cluster scan for areas of heightened prevalence. RESULTS: The prevalence of problematic substance use is lower in Ontario and Quebec than in the rest of the country. This pattern is due principally to low prevalence in Toronto, Montreal, and surrounding areas. Prevalence is higher in mid-sized cities than in larger ones or in rural areas. Problematic substance use shows a fairly high degree of spatial clustering, especially within major cities. Interprovincial differences and clustering are generally not explained by known risk factors. CONCLUSIONS: The pattern of large-scale differences is consistent with existing research and is probably part of a larger disparity among regions of Canada. The persistence of variation after adjustment for covariates suggests the influence of unmeasured, geographically varying factors, of which there are several candidates, including latitude and immigrant settlement patterns.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».