Alcohol consumption and problems among road rage victims and perpetrators.
Notice bibliographique
Résumé
OBJECTIVE: Road rage has generated public concern; however, data on the causes of this behavior have not been available. We examine the alcohol consumption correlates of road rage victimization and perpetration based on a population survey of adults. METHOD: Data are based on the 2001-2002 Centre for Addiction and Mental Health Monitor, a repeated cross-sectional telephone survey of Ontario adults aged 18 and older (N = 2,610). Logistic regression analyses were performed with drinking measures (Alcohol Use Disorders Identification Test [AUDIT] consumption, dependence and problems) and demographic factors as independent variables. RESULTS: In the past year, 44.4% of respondents reported that someone shouted, cursed or made rude gestures at them, 6.0% were threatened with damage to their vehicle or personal injury, and 5.2% had someone attempt to or actually damage their vehicle or hurt them. Over the same period, 32% admitted shouting, etc., at someone, 1.7% threatened someone, and 1.0% attempted to or actually did damage someone's vehicle or hurt someone. Univariate analyses revealed several significant relationships between road rage and alcohol measures. Multivariate analyses revealed that the AUDIT alcohol problems measure was most consistently associated with measures of road rage victimization and perpetration, including reporting attempting or actually hurting someone or attempting or actually damaging his or her vehicle. CONCLUSIONS: These data indicate there is a significant relationship between alcohol problems, as measured by the AUDIT, and road victimization and perpetration. Further work must be undertaken to identify the mechanisms involved.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».