Discounting of delayed monetary and cannabis rewards in a crowdsourced sample of adults.
Notice bibliographique
Résumé
Excessive delayed reward discounting (DD) is observed across many addictive disorders. However, research on DD among cannabis users is limited, with even less research on discounting of cannabis rewards. This study examined monetary and cannabis reward discounting among cannabis and noncannabis users. A large sample of adults (N = 2,857) recruited from an online crowdsourcing platform was assessed on demographics and DD of monetary ($10, $100) and cannabis (10 g) rewards. Analyses of variance were used to evaluate magnitude and commodity effects. Hierarchical multiple regression models were run to assess whether cannabis use frequency was associated with discounting rates for monetary and cannabis rewards. A magnitude effect was found for the monetary rewards where $10 was discounted more steeply compared to $100 (p < .0001). A commodity effect was found where discounting was higher for the 10g cannabis reward compared to monetary rewards (ps < .05). Regression models controlling for demographics and other substance use indicated severity of cannabis problems significantly predicted discounting of $100 (β = .045, p < .05) and 10 g of cannabis (β = .088, p < .05). Cannabis use frequency was not significantly associated with any DD measures after controlling for other substance use (ps > .05). These results suggest the association between cannabis use and DD is complex and generally small in magnitude. This study adds to the literature on DD and cannabis use and suggests the need for further studies to determine the extent to which cannabis use impacts DD, both chronically and acutely. (PsycInfo Database Record (c) 2020 APA, all rights reserved).
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) | 0,000 | 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) | 0,002 | 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 ».