Initiation of drug dealing among a prospective cohort of street-involved youth
Notice bibliographique
Résumé
BACKGROUND: Street-involved youth who use drugs may have limited income-generation options and are known to commonly become immersed in illicit drug markets to generate funds. However, little attention has been given to factors that may drive drug dealing initiation among this vulnerable population. OBJECTIVES: This longitudinal study examines drug dealing initiation among street-involved youth. METHODS: Data were derived from the At-Risk Youth Study from September 2005 to November 2014; a prospective cohort of 194 street-involved youth who use drugs aged 14-26, in Vancouver, Canada. Extended Cox model was used to identify factors independently associated with time to first drug dealing. RESULTS: Among street-involved youth who had never dealt drugs at baseline, 56 (29%) individuals initiated drug dealing during the study period for an incidence density of 13.0 per 100 person-years (95% confidence interval [CI]: 9.9-17.2). In multivariable Cox regression analysis, male gender (adjusted hazard ratio [AHR] = 1.90, 95% CI: 1.06-3.42), homelessness (AHR = 1.88, 95% CI: 1.05-3.35), crystal methamphetamine use (AHR = 2.48, 95% CI: 1.47-4.20), and crack cocaine use (AHR = 2.35, 95% CI: 1.38-4.00) were positively and independently associated with initiating drug dealing. CONCLUSION: Homelessness and stimulant drug use were key risk factors for drug dealing initiation among street-involved youth. Findings indicate that evidence-based and innovative interventions, including youth-centric supportive housing, low threshold employment programs, and stimulant addiction treatment should be implemented and evaluated as strategies to help prevent this vulnerable population from engaging in risky illegal income generation practices.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 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 ».