The impact of programs for high‐risk drinkers on population levels of alcohol problems
Notice bibliographique
Résumé
AIMS: Historically, treatment programs and related activities for alcoholics or high-risk drinkers have been viewed as not relevant to efforts to prevent alcohol problems, and in particular population-based prevention efforts. In this review we consider evidence that high-risk programs may have an impact on population or aggregate levels of these problems. DESIGN: We first summarize recent reviews of the clinical impact of programs for high-risk drinkers, since some level of effectiveness at the individual level is necessary for these programs to have an aggregate level impact. Following that, correlational evidence on the impact of high-risk programs on aggregate problem levels is examined. Estimates of the potential impact of high-risk programs on aggregate problem levels, based on available information on the impact of these programs and the numbers of individuals affected, are then considered, as are estimations of the comparative aggregate level impact of high-risk and consumption reduction strategies. FINDINGS: There is increasing evidence that high-risk programs have beneficial effects for individuals. Available correlational evidence supports the proposal that increases in treatment and AA have contributed to the declines in alcohol-related morbidity and mortality observed in some countries in recent years. Studies estimating the recent impact of increases in levels of treatment and AA membership support that interpretation, and studies comparing estimated effects of high-risk and population strategies find similar potential for aggregate effects. CONCLUSIONS: Programs for high-risk drinkers can have beneficial aggregate-level effects and are thus a valuable component of population-based efforts to reduce alcohol problems.
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) | 0,001 | 0,001 |
| 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 ».