Characteristics of Injection Drug Users Who Participate in Drug Dealing: Implications for Drug Policy
Notice bibliographique
Résumé
So-called "balanced" drug policy couples enforcement initiatives targeting drug dealers with health-focused interventions serving addicted individuals. There are few evaluations of this approach, and little is known about how these two populations may overlap. We evaluated factors associated with drug dealing among injection drug users (IDUs) in Vancouver, Canada, and examined self-reported drug-dealing roles and reasons for dealing. Among 412 IDUs seen from March through December 2005, 68 (17%) had dealt drugs during the previous six months. Variables independently associated with drug dealing included: recent incarceration (adjusted odds ratio [AOR] = 2.9; 95%CI: 1.4-6.0); frequent heroin injection (AOR = 2.5; 95%CI: 1.4-4.6); frequent cocaine injection (AOR = 2.0; 95%CI: 1.1-3.8); and recent overdose (AOR = 2.7; 95%CI: 1.0-7.3). The most common drug-dealing roles were direct selling (82%), middling (35%), and steering (19%), while the most common reasons for dealing included obtaining drugs (49%) and money (36%). Drug dealing among IDUs was predicted by several markers of higher intensity addiction, and drug-dealing IDUs tended to occupy the most dangerous positions in the drug-dealing hierarchy. These findings suggest that elements of "balanced" drug policies may undermine each other and indicate the need for alternative interventions.
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 | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».