Exploring perceptions among people who drive after cannabis use: Collision risk, comparative optimism and normative influence
Notice bibliographique
Résumé
INTRODUCTION AND AIMS: While the perceived risks of driving under the influence of cannabis (DUIC) have been a focus of recent drug-driving research, relevant concepts from the social cognition literature have rarely been applied to inform understanding of DUIC. This study aims to expand knowledge of perceived collision risk and social influences associated with DUIC and driving after other substance use. DESIGN AND METHODS: Semi-structured interviews were conducted with 20 participants of a remedial program for impaired drivers. Thematic analysis began with two independent coders. Early discussion of emergent themes resulted in the identification of applicable social cognition concepts, resulting in selective coding and interpretation. RESULTS: Many participants identified DUIC as less risky than driving under the influence of alcohol or other drugs. Mixed perceptions regarding the dangerousness of DUIC were expressed, with some participants denying increased collision risk except among novice cannabis users. Comparative optimism bias was also expressed by participants who perceived themselves as less likely than others to be involved in a collision when DUIC. In view of normative influence, friends were generally seen as more accepting of DUIC than family, and there were indications that the opinions of others who use cannabis were regarded as more credible than the opinions of those who do not use the drug. DISCUSSION AND CONCLUSIONS: Comparative optimism bias and normative influence may contribute to perceived risks associated with DUIC and may, therefore, be useful concepts to employ to increase the effectiveness of public health and road safety initiatives.
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 ».