Geographical variation in the prevalence of heavy drinking in young Swiss men
Notice bibliographique
Résumé
BACKGROUND: Not much is known about how much geographical units matter for heavy alcohol consumption and how much of the geographical variations are explained by characteristics such as institutional alcohol policies and regional economic conditions. The study aim was to address these gaps considering three types of heavy alcohol consumption. METHODS: Analyses were based on data collected on 5879 men (age: 20.0 years, standard deviation: 1.2) years participating in the Cohort Study on Substance Use Risk Factors in Switzerland. Generalized linear mixed models were used to assess overall prevalence, geographical variations in prevalence across geographical units (institutional units, economic micro regions, linguistic regions, urban/rural status), and explanatory variables in three different types of heavy alcohol consumption (heavy weekend drinking, heavy workweek drinking, heavy volume drinking). RESULTS: The overall prevalence for heavy weekend drinking was 46.8%, 10.8% for heavy volume drinking and 3.6% for heavy workweek drinking. The extent and locations of geographical variation in prevalence rates were contingent upon the type of alcohol consumption. Institutional alcohol policies explained substantial geographical variations in heavy weekend drinking, but not in heavy workweek or heavy volume drinking. Regional economic conditions were not related to alcohol consumption. CONCLUSIONS: Different types of heavy alcohol consumption are determined by different geographical units. Alcohol policies protectively impact the major drinking style of heavy weekend drinking, but not other low prevalence forms of heavy drinking. Research and public health efforts must take into account these differences between types of alcohol consumption.
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 | 0,010 | 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 ».