Substance abuse behaviors among university freshmen in Iran: a latent class analysis
Notice bibliographique
Résumé
OBJECTIVES: Substance abuse behaviors among university freshmen in Iran are poorly understood. This study aimed to identify, for the first time, subgroups of university freshmen in Iran on the basis of substance abuse behaviors. Moreover, it examined the effects of socio-demographic characteristics on membership in each specific subgroup. METHODS: Data for the study were collected cross-sectionally in December 2013 and January 2014 from 4 major cities in Iran: Tabriz, Qazvin, Karaj, and Khoramabad. A total of 5,252 first-semester freshmen were randomly selected using a proportional cluster sampling methodology. A survey questionnaire was used to collect data. Latent class analysis (LCA) was performed to identify subgroups of students on the basis of substance abuse behaviors and to examine the effects of students' socio-demographic characteristics on membership in each specific subgroup. RESULTS: The LCA procedure identified 3 latent classes: the healthy group; the hookah experimenter group; and the unhealthy group. Approximately 82.8, 16.1, and 2.1% of students were classified into the healthy, hookah experimenter, and unhealthy groups, respectively. Older age, being male, and having a family member or a close friend who smoked increased the risk of membership in classes 2 and 3, compared to class 1. CONCLUSIONS: Approximately 2.1% of freshmen exhibited unhealthy substance abuse behaviors. In addition, we found that older age, being male, and having a close friend or family member who smoked may serve as risk factors for substance abuse behaviors.
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 | 0,001 |
| 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) | 0,000 | 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 ».