Factors influencing psychoactive substance use among adolescents in public secondary schools in Uganda
Notice bibliographique
Résumé
Rukundo, A., Kibanja, G., & Steffens, K. (2017). Factors influencing psychoactive substance use among adolescents in public secondary schools in Uganda. The International Journal Of Alcohol And Drug Research, 6(1), 69-76. doi:http://dx.doi.org/10.7895/ijadr.v6i1.237Introduction: Studies exploring psychoactive substance use (PASU) among adolescents report a variety of both intrapersonal and interpersonal negatively and positively reinforcing factors. While existing studies have looked at factors affecting PASU among adolescents in general, little has been done to explore such factors in schools.Objective: This paper examines the factors that influence PASU among adolescents in Ugandan public schools.Methods: The study generated data from 12 focus group discussions (FGDs), based on a qualitative, cross-sectional exploratory design using purposive sampling. We used a focus group guide based on the question “What factors influence use ofResults: All focus groups noted peer pressure as the strongest factor influencing use of substances in schools, with relief from domestic stress being identified as the second strongest factor. The FGDs tackled other factors related to PASU in public schools in Uganda, though not to as big of an extent.Conclusion: Present study results generally seem to suggest that PASU among adolescents in public schools is a result of the interaction between adolescents, the substances in question, and the environment in which those adolescents live.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».