Demographic, Cannabis Use, and Depressive Correlates of Cannabis Use Consequences in Regular Cannabis Users
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Regular cannabis users experience cannabis-related consequences across many domains of functioning. The present study examined demographic, cannabis use, and depressive correlates of cannabis consequences. We hypothesized that (1) earlier onset of use would predict greater psychological and functional consequences; and (2) women would endorse more psychological and withdrawal consequences. METHODS: Data were collected from an urban sample of 184 adults who reported regular cannabis use. Seventeen items from a cannabis consequence checklist were grouped into three domains: Psychological Consequences, Cannabis Withdrawal, and Functional Consequences. Three multiple regressions were performed to explore demographic and cannabis use correlates of each domain. Correlations between domains and depressive symptoms were assessed using Pearson's r. RESULTS: Greater endorsement on the Psychological Consequence subgroup was predicted by female sex, lower educational attainment, and treatment-seeking history for cannabis abuse/dependence. Individuals with greater number of quit attempts or treatment-seeking history endorsed more items in the Cannabis Withdrawal domain. Although the model failed to reach significance for Functional Consequences, age at onset of regular and daily cannabis use were negatively associated with this domain. Correlational analyses demonstrated higher Beck Depression Inventory-Second Edition scores were related to greater endorsement of Psychological Consequence and Cannabis Withdrawal items. DISCUSSION AND CONCLUSIONS: Regular cannabis users report consequences of use, which can be grouped into content-specific subgroups. Individual characteristics are differentially associated with these subgroups. SCIENTIFIC SIGNIFICANCE: Understanding which individual characteristics are related to cannabis use sequelae could help identify those at risk for greater consequences, thus leading to improved assessment and treatment interventions. (Am J Addict 2019;28:295-302).
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».