Reports of evidence planting by police among a community-based sample of injection drug users in Bangkok, Thailand
Notice bibliographique
Résumé
BACKGROUND: Drug policy in Thailand has relied heavily on law enforcement-based approaches. Qualitative reports indicate that police in Thailand have resorted to planting drugs on suspected drug users to extort money or provide grounds for arrest. The present study sought to describe the prevalence and factors associated with this form of evidence planting by police among injection drug users (IDU) in Bangkok. METHODS: Multivariate logistic regression was used to identify factors associated with evidence planting of drugs by police among a community-based sample of IDU in Bangkok. We also examined the prevalence and average amount of money paid by IDU to police in order to avoid arrest. RESULTS: 252 IDU were recruited between July and August, 2008, among whom 66 (26.2%) were female and the median age was 36.5 years. In total, 122 (48.4%) participants reported having drugs planted on them by police. In multivariate analyses, this form of evidence planting was positively associated with midazolam use (Adjusted Odds Ratio [AOR] = 2.84; 95% Confidence Interval [CI]: 1.58 - 5.11), recent non-fatal overdose (AOR = 2.56; 95%CI: 1.40 - 4.66), syringe lending (AOR = 2.08; 95%CI: 1.19 - 3.66), and forced drug treatment (AOR = 1.88; 95%CI: 1.05 - 3.36). Among those who reported having drugs planted on them, 59 (48.3%) paid police a bribe in order to avoid arrest. CONCLUSION: A high proportion of community-recruited IDU participating in this study reported having drugs planted on them by police. Drug planting was found to be associated with numerous risk factors including syringe sharing and participation in government-run drug treatment programs. Immediate action should be taken to address this form of abuse of power reportedly used by police.
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 | 0,000 |
| 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 ».