Patterns and correlates of cannabis use by cumulative lifetime violence severity as target and/or perpetrator in a community sample of eastern Canadian men
Notice bibliographique
Résumé
BACKGROUND: Recent Canadian legalization of cannabis for non-medical use underscores the need to understand patterns and correlates of cannabis use among men who may be more likely than women to become problematic cannabis users. Evidence supporting an association between substance use and violence is accumulating. Current knowledge of relationships among patterns of cannabis use, violence, gender and health is limited by dichotomous measurement of cannabis use and a focus on individual types of violence rather than lifetime cumulative violence. METHODS: We collected online survey data between April 2016 and Septermber 2017 from a community convenience sample of 589 Eastern Canadian men ages 19 to 65 years and explored how socio-demographic characteristics, gender, and health varied by past-year patterns of cannabis use (i.e., daily, sometimes, never) in the total sample and by higher and lower cumulative lifetime violence severity (CLVS) measured by a 64-item CLVS scale score (1 to 4). RESULTS: (2) = 31.53, p < .001). In the total sample, daily use was significantly associated with being single, less education, lower income, some gender norms, health problems, and use of other substances. Significant associations were found for sometimes cannabis use with age group 19 to 24 years, being single, some gender norms, and hazardous and binge drinking. Never use was associated with being married, more education, higher income, being older, not using other substances, and not having mental health problems. Associations between cannabis use patterns and many variables were found in both CLVS groups but effect sizes were frequently larger in the higher group. CONCLUSIONS: These results add substantively to knowledge of relationships among lifetime cumulative violence, patterns of cannabis use, gender, socio-demographic indicators and health problems and may inform theoretical models for future testing. Additionally, findings provide critical information for the design of health promotion strategies targeted towards those most at risk in the current climate of cannabis legalization.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».