Methods for calculation of per capita alcohol consumption in a Muslim majority country with a very low drinking level: Findings from the 2011 Iranian mental health survey
Notice bibliographique
Résumé
INTRODUCTION AND AIMS: There is a paucity of data on volume of alcohol use from Muslim majority countries. We aimed to present estimation methods for alcohol consumption with the use of survey data for these societies and provide an estimation for age 15+ per capita consumption of pure alcohol for Iran. DESIGN AND METHODS: The Iranian Mental Health Survey was a nationally representative household survey on individuals aged 15-64 years, with a multistage, cluster sampling design. We used the 'Last Week' method and 'Quantity-Frequency' methods for gathering data on alcohol consumption and combined these to provide more complete estimates. RESULTS: The response rate was 85.7%. From the total of 7840 respondents, 5.7% and 1% reported past 12 months and past week alcohol use, respectively. The highest estimation for age 15+ per capita consumption of pure alcohol was yielded by the 'combination method' (0.108 L ethanol/person/year) followed by the Quantity-Frequency method (0.079 L). The 'Last Week' method provided the lowest estimate (0.059 L). DISCUSSION AND CONCLUSIONS: Unlike in surveys of non-Muslim countries, frequency of drinking from recent recall (last week) was much lower than from recall of usual drinking in the last year. We conclude that 0.108 L (SE = 0.03) is the best survey-based estimate of age 15+ per capita consumption, which translates to about 5 750 000 L of national consumption per year in Iran. However, this method is still likely to under-estimate per capita consumption due to evidence of under-reporting in the survey.
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 | 0,002 | 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 ».