Major challenges in substance use research in Canada in 2019
Notice bibliographique
Résumé
Aims: To synthesize knowledge on substance use and substance-attributable burden in Canada to determine research priorities for the next 3 to 5 years. Methods: We searched for and analyzed the latest epidemiological estimates of substance use prevalence and attributable burden and for economic data on the costs of substance use. Results: Based on trends over 2014-2019, opioid, alcohol, and cannabis use were identified as research priorities due to their current or anticipated future impact on health burden in Canada. Specifically, future research efforts should be directed towards: (a) reducing the number of opioid prescriptions, investing in interventions for those already addicted to opioids, preventing both the development of opioid use disorders and deaths due to overdose; (b) identifying ways to reduce hazardous and harmful drinking, particularly among those with low socioeconomic status; and (c) monitoring and evaluating the impacts of the recent policy implementations for the legalization of cannabis on various outcomes. While tobacco attributable burden has been decreasing, it is important to continue to monitor vaping use over time. Conclusions: Substance use is a significant and increasing risk factor for burden of disease, and research efforts are necessary to reduce this burden in Canada.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,091 | 0,109 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,015 | 0,020 |
| Études des sciences et des technologies | 0,011 | 0,009 |
| Communication savante | 0,013 | 0,007 |
| Science ouverte | 0,008 | 0,010 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 source (Gemma direct ou Codex distillé), 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 ».