Passengers' Decisions to Ride With a Driver Under the Influence of Either Alcohol or Cannabis
Notice bibliographique
Résumé
OBJECTIVE: The purpose of the present study was to identify the risk factors associated with passenger decisions to ride with a driver who is under the influence of either alcohol or cannabis. METHOD: We analyzed data from the 2008 Canadian Alcohol and Drug Use Monitoring Survey (CADUMS), a nationally represented telephone sample of 16,672 Canadians age 15 and older, of whom 60.5% were female. Logistic regression analyses explored the effects of sociodemographic, substance use, and driving-behavior factors on the risk of riding with a drinking driver (RWDD) and riding with a cannabis-impaired driver (RWCD). RESULTS: Risk factors for RWDD and RWCD were both shared and unique. Common risk factors were respondents' age, with young people at increased risk and those 65 years and older at decreased risk, and problematic alcohol use (as measured by Alcohol Use Disorder Identification Test subscales). Having previously driven under the influence of alcohol increased the risk of RWDD, while RWCD was associated with having previously driven under the influence of cannabis. CONCLUSIONS: Considerable legal and public health attention has been devoted to eliminating impaired driving, with particular focus on driver behavior. However, with the knowledge that impaired driving is strongly related to being a passenger of an impaired driver, prevention efforts to reduce the prevalence of impaired driving must be multifaceted, targeting passengers as well as drivers. Links between attitudes, beliefs, risk-taking behavior, and related structural conditions should be emphasized, with passengers being encouraged to recognize impairment in others and make sensible choices.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».