OR14-1 * PATTERNS AND TRANSITIONS IN SUBSTANCE USE AMONG YOUNG SWISS MEN
Notice bibliographique
Résumé
Introduction. The stages of involvement in illicit drugs other than cannabis remain vague and few studies focused on the last steps of drug-use trajectories. This study investigated this topic. Methods. We used data from the Swiss Longitudinal Cohort Study on Substance Use Risk Factors (C-SURF) to assess exposure to drug use (alcohol, tobacco, 16 illicit drugs including heroin, and five prescription drugs including opioids) at two times point (N = 5,041). Patterns and trajectories of drug use were studied using latent transition analysis (LTA) and cross-lagged panel models. Results. The LTA identified five classes of drug users showing a pattern involving adding alcohol, tobacco, cannabis, middle-stage drugs (uppers, hallucinogens, inhaled drugs), and final-stage drugs (e.g. heroin, ketamine, crystal meth). The most common transition was to remain in the same latent class. Heroin use predicted later opioid use (b = .071, p = .003) but not the reverse (b = -.005, p = .950). Conclusion. The pattern of drug use displayed the well-known sequence of drug involvement (licit drugs/cannabis/other illicit drugs), but added a distinction between "middle-stage" and "final-stage" drugs. Progression along the whole drug course remained rare among participants in their twenties. For the final stage, heroin appeared as to be a step for opioid use.
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 ».