Knowledge of a Drug-Related Good Samaritan Law Among People Who Use Drugs, Vancouver, Canada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Across the United States and Canada drug-related Good Samaritan laws (GSLs) have been enacted to encourage observers of acute drug overdose events to contact emergency medical services (EMS) without fear of legal repercussions. However, little is known about the working knowledge of GSLs among people who use illicit drugs (PWUD). We sought to evaluate the prevalence and factors associated with accurate knowledge of a GSL among PWUD in Vancouver, Canada, 1 year after the GSL was enacted. METHOD: We used data from participants in three community-recruited prospective cohort studies of PWUD interviewed between June and November 2018. Multivariable logistic regression was used to identify factors associated with accurate knowledge of the GSL. RESULTS: Among 1,258 participants, including 760 males (60%), 358 (28%) had accurate knowledge of the GSL. In multivariable analyses, participants who reported ever having a negative police encounter (defined as being stopped, searched, or detained by the police) were less likely to have accurate knowledge of the GSL (adjusted odds ratio [AOR] = 0.70; 95% CI [0.54, 0.90]), while those involved in drug dealing were more likely to have accurate knowledge of the GSL (AOR = 1.50; 95% CI [1.06, 2.06]). DISCUSSION: Despite having been enacted for a full year, approximately three quarters of participants did not have accurate GSL knowledge, warranting urgent educational efforts among PWUD. Additional research is needed to understand whether GSLs can mitigate the fears of legal repercussions among those engaged in drug dealing and with past negative experiences with the police.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle