Les habitudes alimentaires des usagers de cannabis : mieux les comprendre pour mieux intervenir
Notice bibliographique
Résumé
Bien que le cannabis ait gagné en popularité dans la littérature scientifique, les publications en lien avec l’alimentation sont peu nombreuses. Cet article se veut de fournir une vue d’ensemble sur les répercussions possibles du cannabis sur l’alimentation pour outiller les nutritionnistes dans leur pratique. Dans le cadre d’un travail dirigé universitaire, une analyse socioécologique des habitudes alimentaires de l’usager de cannabis, à l’appui d’un modèle, a été réalisée. Le cannabis exerce une influence sur les habitudes alimentaires. La grande majorité des déterminants identifiés sont d’ordres individuels et résultent des effets physiologiques du cannabis sur l’organisme. Citons notamment l’appétit, les symptômes gastro-intestinaux, les signaux de faim et de satiété, la palatabilité́ et la valeur hédonique de certains aliments. D’autres paliers d’influence ont été identifiés mais nécessitent d’être validés à travers davantage d’études. Les répercussions du cannabis sur les habitudes alimentaires des usagers sont principalement reliées aux effets physiologiques qu’il entraîne sur l’appétit, le système de récompense, le système nerveux central et le système gastro-intestinal. Le portrait dressé dans cet article découle des études pharmacologiques et médicales pouvant contribuer à une vision réduite des habitudes alimentaires des usagers de cannabis. Les déterminants plus systémiques des habitudes alimentaires des usagers de cannabis doivent être étudiés davantage dans des études futures.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».