Adolescent Marijuana- and Alcohol-Impaired Driving Behaviours
Notice bibliographique
Résumé
Introduction Although the substantial effect of alcohol on driving behaviour and road safety has been well documented, there is a relative paucity of research related to marijuana use and driving. Behavioural and epidemiological studies indicate that the use of marijuana can impair key psychomotor and perceptual skills that are necessary for safe driving. These driving impairments are likely even more severe for youth who tend to have limited experience driving a vehicle, and this could potentiate their risk for having an accident or collision. The prevalence of marijuana use among Canadian youth has sharply increased over the past decade with past-year prevalence rates ranging from 27–47% among 15to 19-year-olds. The past-year rate of alcohol use among this same age group has been found to range from 62–91%. Limited data exist on the prevalence of marijuana-impaired driving among adolescents in Canada. Of those few studies that have assessed this issue, past-year rates of driving at least once within an hour or two of marijuana use have ranged from 15–21% among youth aged 16–19 years. Corresponding rates of drinking and driving have been found to be somewhat lower among Canadian adolescents (12–20%); this may reflect concerted efforts in the past two decades to deter this behaviour. Marijuana is often used in combination with alcohol, yet it is unclear as to what percentage of Canadian youth drive a vehicle following the use of both substances. There is also limited research on the proportion of young people who ride as a passenger with a driver who has used marijuana, alcohol, or both drugs together.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».