MétaCan
Menu
Retour à la cohorte
Enregistrement W2899092587 · doi:10.1002/smi.2846

Nonmedical use of prescription drugs for cognitive enhancement as response to chronic stress especially when social support is lacking

2018· article· en· W2899092587 sur OpenAlexaff
Sebastian Sattler

Notice bibliographique

RevueStress and Health · 2018
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeuroethics, Human Enhancement, Biomedical Innovations
Établissements canadiensMontreal Clinical Research Institute
Organismes subventionnairesBundesministerium für Bildung und Forschung
Mots-clésCognitionMedical prescriptionDrugSocial supportIntervention (counseling)PsychologyClinical psychologyMedicineStress (linguistics)PsychiatryGerontologyPharmacologySocial psychology

Résumé

récupéré en direct d'OpenAlex

The nonmedical use of prescription drugs to improve cognitive performance has gained attention due to concerns over its social and political implications as well as side effects and long-term health consequences. Some researchers expect a future trend of an instrumental use of drugs for cognitive enhancement (CE). Thus, getting insights about causes of CE-drug consumption is warranted before the prevalence increases. Because perceived stress is ubiquitous in universities and may decrease cognitive performance, one reaction to cope with stress and its consequences might be the instrumental use of drugs for CE, especially if other resources, such as social support, are lacking. With a prospective design, randomly selected students from four German universities were invited to a web-based survey and reinterviewed after 6 months (N = 2,203). Results show a 6-month prevalence rate of self-reported CE-drug use of about 2%. Higher reported chronic stress is positively associated with CE-drug use. Although social support has no main effect, stress-buffering effects were found. In men with low stress, more support is associated with a higher chance of self-reported CE-drug use. These findings can inform intervention and prevention strategies such as changes in drug regulation or sensitizing (potential) users to unwanted health consequences.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,160
Tête enseignante GPT0,426
Écart entre enseignants0,265 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueStress and HealthMême sujetNeuroethics, Human Enhancement, Biomedical InnovationsTravaux en français237 207