How Do Harm Reduction Efforts Affect Local Communities
Notice bibliographique
Résumé
Harm reduction policy is an alternative approach to addressing opioid-related drug addiction with a focus on reducing the negative impacts of opioid use on users through rehabilitation efforts and communities as a whole. Opioid addiction and overdose is a growing epidemic in the United States. Drug overdose is a leading cause of death among individuals under 50 years old, and in 2017, more than 70,000 people died from drug overdose. Comparably, in 2017, 42,000 people died in traffic accidents. This research examines the potential of harm reduction policies to address the current opioid epidemic in the United States. Existing research on supervised injection facilities (SIF) shows benefits for both drug users and non-drug users: SIF offer drug users a safe place to inject illicit drugs and provides non-drug users a safer community through reduced drug-related harm. While there are upfront costs to build these facilities, research shows for every 10 years a SIF is in operation, there will be an estimated savings of 14 million dollars through reduced hospitalization expenses, fewer emergency department visits, and decreased ambulance expenses. InSite, a supervised injection facility in Vancouver serves an average of 415 injection room visits per day, and is a primary source demonstrating improved quality of life for those who frequent the facility. Being the first SIF in North America, it demonstrates what services future injection facilities in the U.S. could potentially provide. In an effort to accurately present research, we will emphasize the lives and money saved from implementing supervised injection facilities. Through presenting this research, we anticipate future policy discussions about the benefits SIFs could provide to communities around.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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 ».