MétaCan
Menu
← Retour à la cohorte
Enregistrement W3123483514 · doi:10.2196/23872

The Psychosocial Predictors and Day-Level Correlates of Substance Use Among Participants Recruited via an Online Crowdsourcing Platform in the United States: Daily Diary Study

2021· article· en· W3123483514 sur OpenAlexvenueno aff
Jennifer Jain, Claudine Offer, Christopher Rowe, Caitlin Turner, Carol Dawson‐Rose, Thomas J. Hoffmann, Glenn‐Milo Santos

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueSubstance Abuse Treatment and Outcomes
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute on Minority Health and Health DisparitiesNational Institute on Drug Abuse
Mots-clésPsychosocialStimulantPsychological interventionAffect (linguistics)MedicineLogistic regressionPsychiatryClinical psychologyPsychologyGerontology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Alcohol consumption and stimulant use are major public health problems and contribute to morbidity and mortality in the United States. To inform interventions for substance use, there is a need to identify the day-level correlates of substance use by collecting repeated measures data in one's natural environment. There is also a need to use crowdsourcing platforms like Amazon Mechanical Turk (MTurk) to efficiently engage larger populations of people who use alcohol and stimulants in research. OBJECTIVE: We aimed to (1) utilize daily diaries to examine the temporal relationship between day-level cravings for alcohol and stimulant/substance use (ie, heavy drinking or any drug use) in a given day over 14 days and (2) assess whether depression, negative affect, and self-esteem measured at baseline predict substance use in a given day over 14 days among people who use alcohol and/or stimulants in the United States. METHODS: Individuals aged ≥18 years in the United States, who reported alcohol or stimulant (ie, cocaine, crack cocaine, and methamphetamine) use in the past year, were recruited using MTurk between March 26 and April 13, 2018. Eligible participants completed a baseline survey and 14 daily surveys online. The baseline survey assessed sociodemographics and psychosocial (ie, depression, affect, self-esteem, and stress) factors. Daily surveys assessed substance use and cravings for alcohol and stimulants. Four multivariable random-intercept logistic regression models were built to examine psychosocial constructs separately along with other significant predictors from bivariate analyses while controlling for age and education. RESULTS: Among a total of 272 participants, 220 were White, 201 were male, and 134 were men who have sex with men (MSM). The mean age was 36.1 years (SD 10.5). At baseline, 173 participants engaged in any current or past hazardous alcohol consumption, 31 reported using cocaine, 19 reported using methamphetamine, 8 reported using crack cocaine, and 104 reported any noninjection or injection drug use in the past 6 months. Factors independently associated with substance use were depression (adjusted odds ratio [aOR] 1.11, 95% CI 1.02-1.21; P=.01), negative affect (aOR 1.08, 95% CI 1.01-1.16; P=.01), lower levels of self-esteem (aOR 0.90, 95% CI 0.82-0.98; P=.02), and cravings for alcohol (aOR 1.02, 95% CI 1.01-1.03; P<.001) and stimulants (aOR 1.03, 95% CI 1.01-1.04; P=.01). MSM had higher odds of engaging in substance use in all models (model 1: aOR 4.90, 95% CI 1.28-18.70; P=.02; model 2: aOR 5.47, 95% CI 1.43-20.87; P=.01; model 3: aOR 5.99, 95% CI 1.55-23.13; P=.009; and model 4: aOR 4.94, 95% CI 1.29-18.84; P=.01). CONCLUSIONS: Interventions for substance use should utilize evidenced-based approaches to reduce depression, negative affect, and cravings; increase self-esteem; and engage MSM. Interventions may also consider leveraging technology-based approaches to reduce substance use among populations who use crowdsourcing platforms.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
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 enseignants0,024
Score d'incertitude au seuil0,047

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,141
Tête enseignante GPT0,353
Écart entre enseignants0,212 · 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

Citations6
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and Surveillance→Même sujetSubstance Abuse Treatment and Outcomes→Travaux en français237 207→