MétaCan
Menu
← Retour à la cohorte
Enregistrement W3046482357 · doi:10.3390/ijerph17155549

Are School Substance Use Policy Violation Disciplinary Consequences Associated with Student Engagement in Cannabis?

2020· article· en· W3046482357 sur OpenAlexafffundabout
Megan J. Magier, Karen A. Patte, Kate Battista, Adam G. Cole, Scott T. Leatherdale

Notice bibliographique

RevueInternational Journal of Environmental Research and Public Health · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueCannabis and Cannabinoid Research
Établissements canadiensUniversity of WaterlooOntario Tech UniversityBrock University
Organismes subventionnairesInstitute of Population and Public HealthInstitute of Nutrition, Metabolism and DiabetesCanadian Institutes of Health ResearchHealth Canada
Mots-clésCannabisLegalizationSanctionsDisciplinePublic healthPsychologyEthnic groupSchool disciplineMental healthMedicineEnvironmental healthPsychiatryPolitical scienceNursingPedagogy

Résumé

récupéré en direct d'OpenAlex

Schools are increasingly concerned about student cannabis use with the recent legalization in Canada; however, little is known about how to effectively intervene when students violate school substance use policies. The purpose of this study is to assess the disciplinary approaches present in secondary schools prior to cannabis legalization and examine associations with youth cannabis use. This study used Year 6 (2017/2018) data from the COMPASS (Cannabis use, Obesity, Mental Health, Physical Activity, Alcohol use, Smoking, Sedentary behavior) study including 66,434 students in grades 9 through 12 and the 122 secondary schools they attend in British Columbia, Alberta, Ontario, and Quebec. Student questionnaires assessed youth cannabis use and school administrator surveys assessed potential use of 14 cannabis use policy violation disciplinary consequences through a ("check all that apply") question. Regression models tested the association between school disciplinary approaches and student cannabis use with student- (grade, sex, ethnicity, tobacco use, binge drinking) and school-level covariates (province, school area household median income). For first-offence violations of school cannabis policies, the vast majority of schools selected confiscating the product (93%), informing parents (93%), alerting police (80%), and suspending students from school (85%), among their disciplinary response options. Few schools indicated requiring students to help around the school (5%), issuing a fine (7%), or assigning additional class work (8%) as potential consequences. The mean number of total first-offence consequences selected by schools was 7.23 (SD = 2.14). Overall, 92% of schools reported always using a progressive disciplinary approach in which sanctions get stronger with subsequent violations. Students were less likely to report current cannabis use if they attended schools that indicated assigning additional class work (OR 0.57, 95% CI (0.38, 0.84)) or alerting the police (OR 0.81, 95% CI (0.67, 0.98)) among their potential first-offence consequences, or reported always using the progressive discipline approach (OR 0.77, 95% CI (0.62, 0.96)) for subsequent cannabis policy violations. In conclusion, results reveal the school disciplinary context in regard to cannabis policy violations in the year immediately preceding legalization. Various consequences for cannabis policy violations were being used by schools, yet negligible association resulted between the type of first-offence consequences included in a school's range of disciplinary approaches and student cannabis use.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,228
Score d'incertitude au seuil0,453

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,127
Tête enseignante GPT0,425
Écart entre enseignants0,299 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Environmental Research and Public Health→Même sujetCannabis and Cannabinoid Research→Travaux en français237 207→