A new perspective on European drinking cultures: a model‐based approach to determine variations in drinking practices among 19 European countries
Notice bibliographique
Résumé
BACKGROUND AND AIMS: In recent decades, alcohol drinking in the European Union has been characterized by increasing homogenization of levels of drinking coupled with an overall decrease. This study examined whether we can still distinguish distinct practices of drinking by addressing two research questions: (1) are drinking practices still characterized by the choice of a certain alcoholic beverage; and (2) how do drinking practices vary across countries? DESIGN: Cross-sectional study: latent-class analyses of drinking variables and fractional response regression analyses of individual characteristics for individual-level class endorsement probabilities, respectively. SETTING: Nineteen European countries and one autonomous community. PARTICIPANTS: A total of 27 170 past-year drinkers aged 18-65 years in 2015. MEASUREMENTS: Data were collected through the Standardized European Alcohol Survey included frequency of past-year drinking, pure alcohol intake per drink day, occurrence of monthly risky single-occasion drinking and preferred beverage, together with socio-demographic data. FINDINGS: Three latent classes were identified: (1) light to moderate drinking without risky single-occasion drinking [prevalence: 68.0%, 95% confidence interval (CI) = 66.7-69.3], (2) infrequent heavy drinking (prevalence: 12.6%, 95% CI = 11.5-13.7) and (3) regular drinking with at least monthly risky single-occasion drinking (prevalence: 19.4%, 95% CI = 18.1-20.9). Drinking classes differed considerably in beverage preference, with women reporting a generally higher share of wine and men of beer drinking. Light to moderate drinking without risky single-occasion drinking was the predominant drinking practice in all locations except for Lithuania, where infrequent heavy drinking (class 2) was equally popular. Socio-demographic factors and individual alcohol harm experiences (rapid alcohol on-line screen) explained up to 20.5% of the variability in class endorsement. CONCLUSIONS: Beverage preference appears to remain a decisive indicator for distinguishing Europeans' drinking practices. In most European countries, multiple drinking practices appear to be present.
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 | 0,011 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; 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 ».