Notice bibliographique
Résumé
Summary Harm reduction can be thought of as any program or policy designed to reduce drug-related harm without requiring the cessation of drug use. An example of a successful harm reduction strategy is the use of needle exchange programs or syringe exchange programs. Unfortunately, decisions may be made by policy makers that conflict with scientific literature and the abundance of evidence supporting such harm reduction measures. Evidence in favour of harm reduction strategies is robust, and their implementation is required in any comprehensive public health policy attempting to improve the well-being of society as a whole. This article examines the evidence supporting the efficacy of one such harm reduction strategy, namely, needle exchange programs; it also outlines a simple approach for medical students, residents, physicians, and other health care professionals to be involved in change on a global scale by discussing the Vienna Declaration as a tool for influencing evidence-based drug policy.
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 | 0,404 | 0,672 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,004 |
| Bibliométrie | 0,010 | 0,007 |
| Études des sciences et des technologies | 0,006 | 0,036 |
| Communication savante | 0,035 | 0,050 |
| Science ouverte | 0,007 | 0,014 |
| Intégrité de la recherche | 0,053 | 0,048 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 ».