Assessing consequences of alcohol and drug abuse in a drinking driving population
Notice bibliographique
Résumé
The experience of negative consequences of use is often considered to be a critical dimension of the addition process, however relatively few assessment instruments focus solely on this dimension. This is especially true in the convicted driving under the influence (DUI) population, where many have by definition experienced negative consequences of use. The Adverse Consequences of Substance Use Scale (ACSUS) is a brief (8 item), clinically-based instrument that measures the problems resulting from substance use. In the current investigation the psychometric characteristics of this scale was examined using data from a large sample of convicted drink-drivers (n = 5409) and it was then compared to two other scales (the Alcohol Dependence Scales and the Research Institute on Addictions Self-inventory). Cronbach's alpha for the ACSUS was 0.726 and inter-item and item-total correlations were within the acceptable range. Factor analysis revealed a one factor solution accounting for 37% of the variance. Concurrent validity was demonstrated by good correlation with the RIASI (r = 0.416) and the ADS (r = 0.510), as well as several other substance use quantity and frequency measures. The ACSUS was also found to discriminate significantly between clinically distinct populations such as first and multiple offenders and binge drinkers. When compared to the RIASI and ADS using Fisher's z-transformation, the ACSUS had significantly higher correlations with measures of substance use treatment seeking and legal involvement. The utility and applicability of this measure is discussed.
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 ».