Mitigating the risk of alcohol use among university students
Notice bibliographique
Résumé
Background: The rising prevalence of alcohol use among youths in low resource settings is a major public health issue of concern, especially as alcohol use remains a leading contributor to deaths and disability globally. This study aimed to evaluate the effects of screening and brief intervention (SBI) on alcohol use risk among university students. Methods: In this quasi-experimental study, a total of 636 students were screened for alcohol use risk with the World Health Organization Alcohol, Smoking, and Substance Involvement Screening Test (WHO-ASSIST) version 3.1. All participants with moderate and high risk of alcohol use were administered brief intervention (BI) delivered by trained students at baseline, 1 month, and 3 months, with a final assessment in 6 months. Longitudinal data on their alcohol use risk were analyzed. Results: The mean age (standard deviation) of the participants was 21.13 (3.05) years and 44.5% were female. The prevalence of the current alcohol use based on the WHO-ASSIST was 49.2% ( n = 315). Following three sessions of BI, the repeated measures ANOVA indicated that the WHO-ASSIST mean score for high-risk alcohol users ( n = 44) fell from 33.23 (3.82) at baseline to 18.3 (9.84) at 6 th month. This difference was statistically significant. Similarly, the mean score for moderate alcohol users fell from 19.62 (2.97) at baseline to 11.31 (5.52) at 6 months. The difference was statistically significant. There were significant group-level differences in the risk score over the study period, for the low risk, moderate risk, and high-risk users at the end of the study. Conclusion: Screening and BI showed significant benefits on alcohol use risk. Our findings suggest SBI as a feasible and effective intervention for mitigating the risk of alcohol use among young students in resource-restricted settings. Further research using a robust sample to reflect differences in setting and student characteristics is warranted.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».