Patterns of alcohol use among Canadian military personnel and their associations with health and well-being.
Notice bibliographique
Résumé
OBJECTIVE: Heavy drinking increases the risk of injury, adverse physical and mental health outcomes, and loss of productivity. Nonetheless, patterns of alcohol use and related symptomatology among military personnel remain poorly understood. A latent class analysis (LCA) was used to explore the presence of subgroups of alcohol users among Canadian Armed Forces (CAF) Regular Forces members. Correlates of empirically derived subgroups were further explored. METHODS: Analyses were performed on a subsample of alcohol users who participated in a 2008/09 cross-sectional survey of a stratified random sample of currently serving CAF Regular Force members (N = 1980). Multinomial logistic regression models were conducted to verify physical and mental health differences across subgroups of alcohol users. All analyses were adjusted for complex survey design. RESULTS: A 4-class solution was considered the best fit for the data. Subgroups were labeled as follows: Class 1 - Infrequent drinkers (27.2%); Class 2 - Moderate drinkers (41.5%); Class 3 - Regular binge drinkers with minimal problems (14.8%); and Class 4 - Problem drinkers (16.6%). Significant differences by age, sex, marital status, element, rank, recent serious injuries, chronic conditions, psychological distress, posttraumatic stress disorder, and depression symptoms were found across the subgroups. Problem drinkers demonstrated the most degraded physical and mental health. CONCLUSION: Findings highlight the heterogeneity of alcohol users and heavy drinkers among CAF members and the need for tailored interventions addressing high-risk alcohol use. Results have the potential to inform prevention strategies and screening efforts. (PsycInfo Database Record (c) 2023 APA, all rights reserved).
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 ».