Alcohol policies and impaired driving in the United States: Effects of driving- vs. drinking-oriented policies
Notice bibliographique
Résumé
AIMS: To test the hypotheses that stronger policy environments are associated with less impaired driving and that driving-oriented and drinking-oriented policy subgroups are independently associated with impaired driving. DESIGN: State-level data on 29 policies in 50 states from 2001-2009 were used as lagged exposures in generalized linear regression models to predict self-reported impaired driving. SETTING: Fifty United States and Washington, D.C. PARTICIPANTS: A total of 1,292,245 adults (≥ 18 years old) biennially from 2002-2010. MEASURES: Alcohol Policy Scale scores representing the alcohol policy environment were created by summing policies weighted by their efficacy and degree of implementation by state-year. Past-30-day alcohol-impaired driving from 2002-2010 was obtained from the Behavioral Risk Factor Surveillance System surveys. FINDINGS: Higher Alcohol Policy Scale scores are strongly associated with lower state-level prevalence and individual-level risk of impaired driving. After accounting for driving-oriented policies, drinking-oriented policies had a robust independent association with reduced likelihood of impaired driving. Reduced binge drinking mediates the relationship between drinking-oriented policies and impaired driving, and driving-oriented policies reduce the likelihood of impaired driving among binge drinkers. CONCLUSIONS: Efforts to reduce alcohol-impaired driving should focus on reducing excessive drinking in addition to preventing driving among those who are impaired.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».