Drinking patterns vary by gender, age and country‐level income: Cross‐country analysis of the International Alcohol Control Study
Notice bibliographique
Résumé
INTRODUCTION AND AIMS: Gender and age patterns of drinking are important in guiding country responses to harmful use of alcohol. This study undertook cross-country analysis of drinking across gender, age groups in some high-and middle-income countries. DESIGN AND METHODS: Surveys of drinkers were conducted in Australia, England, Scotland, New Zealand, St Kitts and Nevis (high-income), Thailand, South Africa, Mongolia and Vietnam (middle-income) as part of the International Alcohol Control Study. Drinking pattern measures were high-frequency, heavier-typical quantity and higher-risk drinking. Differences in the drinking patterns across age and gender groups were calculated. Logistic regression models were applied including a measure of country-level income. RESULTS: Percentages of high-frequency, heavier-typical quantity and higher-risk drinking were greater among men than in women in all countries. Older age was associated with drinking more frequently but smaller typical quantities especially in high-income countries. Middle-income countries overall showed less frequent but heavier typical quantities; however, the lower frequencies meant the percentages of higher risk drinkers were lower overall compared with high-income countries (with the exception of South Africa). DISCUSSION AND CONCLUSIONS: High-frequency drinking was greater in high-income countries, particularly in older age groups. Middle-income countries overall showed less frequent drinking but heavier typical quantities. As alcohol use becomes more normalised as a result of the expansion of commercial alcohol it is likely frequency of drinking will increase with a likelihood of greater numbers drinking at higher risk levels.
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 ».