Prevalence and correlates of substance use by Egyptian school youth
Notice bibliographique
Résumé
Loffredo, C., Shaker, Y., Jillson, I., Boulos, D., Saleh, D., Garas, M., Ostrowski, M., Sun, X., Chen, X., Shander, B., & Amr, S. (2017). Prevalence and correlates of substance use by Egyptian school youth. The International Journal Of Alcohol And Drug Research, 6(1), 37-51. doi:http://dx.doi.org/10.7895/ijadr.v6i1.242Aims: Substance use among Egyptian youth is an emerging public health problem, yet there is a paucity of information on the prevalence and correlates of these behaviors. To address this gap, we conducted surveys at 25 schools in Egypt in 2013 and 2014.Design: We calculated associations between substance use prevalence and age, gender, residence area, living arrangement, and employment status, along with adjusted odds ratio (OR) and 95% confidence intervals (CI).Setting: Cairo region and southern Egypt.Participants: School youth ages 12-18 (N=1,415).Measures: Self-administered survey on the use of cigarettes, waterpipes, alcohol, hashish, bango, heroin, Tramadol, other oral medications, injected substances, and glue/petrol sniffing; together with the amount and frequency of each substance used and age at initiation, in addition to demographic characteristics.Findings: Seventy-two percent of participants were male. Tobacco and cannabinoids were the most commonly used substances by both genders. Males reported smoking cigarettes (25%), waterpipes (15%), and hashish (6%), drinking alcohol (16%), and taking Tramadol (3%). Younger age (12–14 years) and residence outside of Cairo were somewhat protective. Among males, but not females, having a job increased the odds of smoking cigarettes (OR = 1.8, 95% CI [1.3, 2.6]), waterpipes (OR = 1.9, 95% CI [1.2, 2.9]), or hashish (OR = 2.0, 95% CI [1.1, 3.7]).Conclusions: These findings, consistent with reports from other countries, can inform the design and direct the resources of future public health programs targeting adolescents to prevent the onset of substance use and ultimately addiction in Egypt and elsewhere.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 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) | 0,001 | 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 ».