Trajectories of Marijuana Use in Youth Ages 15–25: Implications for Postsecondary Education Experiences
Notice bibliographique
Résumé
OBJECTIVE: This study examined associations between longitudinal trajectories of marijuana use from adolescence to young adulthood and postsecondary education (PSE) experiences. Outcomes examined included the type of PSE undertaken, the timing of enrollment, and the likelihood of dropping out. METHOD: Participants (N = 632; 332 females) were from the Victoria Healthy Youth Survey, a five-wave multicohort study of young people interviewed biennially between 2003 and 2011. Latent class growth analysis was used to identify distinct trajectories of the frequency of marijuana use from ages 15 to 25. Logistic regression analyses evaluated class membership as a predictor of the three PSE outcomes, with sex, maternal education, family structure, high school grades, and conduct problems controlled for. RESULTS: Three trajectory groups of marijuana use were identified: abstainers (31%), occasional users (44%), and frequent users (25%). Compared with abstainers, frequent users had the lowest high school grades and the most conduct problems and were least likely to enroll in PSE, especially in a university. Occasional users did not differ from abstainers on high school grades or conduct problems and were no less likely than abstainers to enroll in PSE. However, they delayed enrollment longer and were more likely to drop out of PSE. CONCLUSIONS: Frequent marijuana use from adolescence to young adulthood may close off opportunities for entering PSE, whereas occasional use may create delays in starting and finishing PSE among less at-risk young people. The mechanisms underlying associations between marijuana use and educational difficulties during emerging adulthood as well as adolescence need to be better understood.
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 ».