A Multilevel Analysis of Regional and Gender Differences in the Drinking Behavior of 23 Countries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction: Drinking behavior differs not only among countries, but also among regions within a country. However, the extent of such variation and the interplay between gender and regional differences in drinking have not been explored and are addressed in this study. Methods: Data stem from 105,061 individuals from 23 countries of the GENACIS data set. The outcomes were heavy drinking (10/20 g or more of pure ethanol per day for women/men), and risky single occasion drinking (RSOD) (5+ drinks per occasion) at least monthly. Analyses used binary logistic mixed models. Variance at specific levels was measured by the intra-class correlation coefficient (ICC). Gender differences in outcomes were measured using gender ratios. Results: Country-level ICC was 0.13 (95% CI: 0.09–0.18) for heavy drinking and 0.16 (95% CI: 0.10–0.26) for RSOD. Within-country regional-level ICC for heavy drinking and RSOD was 0.02 (95% CI: 0.009–0.05; 0.01–0.04, respectively), implying that 2% of variation in heavy drinking and RSOD was explained by regional variation. Variance in drinking indicators was larger for women compared to men across countries. Gender ratios were higher in low- and middle-income countries. Conclusions: Regional variations in risky drinking were more often present in low- to middle-income countries as well as in a few higher-income countries, and could be due to cultural and demographic differences. Variations in gender differences were larger on the country level than on the regional level, with lower-income countries showing larger differences. These results can help to better identify specific high-risk groups for prevention strategies.
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.
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 | 0,001 |
| 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) | 0,000 | 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 découle