Self-Reported Collision Risk Associated With Cannabis Use and Driving After Cannabis Use Among Ontario Adults
Notice bibliographique
Résumé
OBJECTIVE: This study examined the effects of cannabis use and driving after cannabis use on self-reported collision involvement within the previous 12 months while controlling for demographics, driving exposure, binge drinking, and driving after drinking based on a large representative sample of adults in Ontario. METHODS: Data are based on the CAMH Monitor, an ongoing cross-sectional telephone survey of Ontario adults aged 18 and older, conducted by the Centre for Addiction and Mental Health. Data on drivers who reported driving at least one kilometer per week and who responded to the collision item from 2002 to 2007 were merged into one data set (n = 8481). Logistic regression analysis of self-reported collision risk posed by cannabis use (lifetime and past 12 months), driving after cannabis use (past 12 months), and driving after drinking among drinkers (past 12 months) was implemented, controlling for the effects of gender, age, region, income, education, marital status, kilometers driven in a typical week, and consuming five or more drinks of alcohol on one occasion (past 12 months). Due to list-wise deletion of cases the logistic regression sample was reduced (n = 6907). RESULTS: Several demographic factors were found to be significantly associated with self-reported collision involvement. The logistic regression model revealed that age, region, income, marital status, and number of kilometers driven in a typical week, were all significantly related to collision involvement, after adjusting for other factors. Respondents who reported having driven after cannabis use within the past 12 months had increased risk of collision involvement (odds ratio [OR] = 1.84) compared to those who never drove after using cannabis, a greater risk than that associated with having reported driving after drinking within the past 12 months (OR = 1.34). CONCLUSION: Further investigation of the impact of driving after cannabis use on collision risk and factors that may modify that relationship is warranted.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».