The Alcohol Use Disorders Identification Test (AUDIT): A review of graded severity algorithms and national adaptations
Notice bibliographique
Résumé
Babor, T., & Robaina, K. (2016). The Alcohol Use Disorders Identification Test (AUDIT): A review of graded severity algorithms and national adaptations. The International Journal Of Alcohol And Drug Research, 5(2), 17-24. doi:http://dx.doi.org/10.7895/ijadr.v5i2.222Aims: Since it was first released in 1989, the Alcohol Use Disorders Identification Test (AUDIT) has generated a large amount of research to evaluate its psychometric properties. The purpose of this review is to critically evaluate the literature relevant to applications of the AUDIT in screening, brief intervention, and treatment referral programs, and identify national adaptations of the AUDIT to country-specific health, education, and reimbursement needs.Methods: Methods comprised a search of the world literature published since 2004, combined with review articles published since 1997.Findings: We identified 431 studies of the AUDIT, including 386 articles, 26 review papers, and 11 book chapters since 2004, with a six-fold increase in the last decade. The factor structure of the AUDIT items remains unclear, but the weight of evidence supports a two-factor model. Despite the translation of the AUDIT into numerous languages, the alcohol consumption questions were rarely adapted to suit cultural or national conditions. Although numerous studies have supported the recommended cutoff thresholds for a possible alcohol use disorder, only three studies evaluated the classification accuracy of the AUDIT’s graded severity system.Conclusions: Further development of the AUDIT score’s severity zones is needed to guide intervention selection in clinical settings.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».