Too little, too much or just right: Injury/illness sensitivity and intentions to drink as a basis for alcohol consumer segmentation
Notice bibliographique
Résumé
BACKGROUND: Although alcohol is the most socially accepted drug, little is known about the classification of alcohol consumers into clusters influencing drinking outcomes. Past research has demonstrated that injury/illness sensitivity predicts health protecting behaviors. OBJECTIVES: The present study explored whether alcohol consumers can be classified based on injury/illness sensitivity and intentions to reduce drinking, and whether the identified clusters exhibited meaningful differences in negative affect and drinking levels. METHODS: Four-hundred and eighty-six participants (54.3% male; mean [SD] age = 26.5 [7.2] years) completed online questionnaires between July and October of 2017. Questions were asked pertaining to injury/illness sensitivity, intentions to reduce drinking, negative affect, and heavy drinking behavior. A k-means cluster analysis was performed on illness/injury sensitivity and intentions to reduce drinking scores. We then examined whether clusters varied according to negative affect or drinking variables. RESULTS: The k-means cluster analysis identified four clusters: Insensitive non-internalizers, Insensitive internalizers, Sensitive non-internalizers, and Sensitive internalizers. Sensitive internalizers reported the highest, whereas Insensitive non-internalizers reported the lowest, negative affect. Sensitive internalizers also had the lowest percentage of heavy drinkers. Conclusion/importance: Current findings add to the alcohol literature by indicating that high sensitivity to illnesses/injuries and the internalization of sensitivities via behavior change intentions may provide the best protection against high alcohol consumption 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 | 0,000 | 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 | 0,001 |
| 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 ».