Simplifying the Process for Identifying Drug Combinations by Drug Recognition Experts
Notice bibliographique
Résumé
OBJECTIVE: The purpose of this study is to statistically identify the set of drug-related cues from Drug Evaluation and Classification (DEC) evaluations that significantly predict the categories of drugs used by suspected drug-impaired drivers. METHODS: Data from 819 completed Canadian DEC evaluations of combinations of central nervous system (CNS) stimulants with cannabis, CNS stimulants with narcotic analgesics, cannabis with alcohol, and no-drug cases were analyzed using a multinomial logistic regression procedure. RESULTS: Eleven clinical indicators from the DEC evaluations significantly enhanced the prediction of drugs used by suspected drug-impaired drivers, including condition of the eyes, lack of convergence, rebound dilation, reaction to light, mean pulse rate, presence of visible injection sites, performance on the Horizontal Gaze Nystagmus Test, pupil size in darkness, performance on the One-Leg Stand Test, muscle tone, and performance on the Walk-and-Turn Test. CONCLUSIONS: The findings from this study will facilitate the process of identifying the correct categories of drugs ingested by suspected drug-impaired drivers by focusing on critical signs and symptoms of drug influence. This work will have direct and immediate relevance to the training of drug recognition experts (DREs) by providing the foundation for an innovative, statistically based approach to drug classification decisions by DREs. This research will also facilitate the enforcement of drug-impaired driving laws in Canada to help make Canadian roadways safer for all.
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 | 0,025 | 0,115 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,005 |
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 ».