Ethnicity, Immigration Status, And Driving Under The Influence Of Alcohol
Notice bibliographique
Résumé
BACKGROUND: Understanding risk factors for driving under the influence of alcohol (DUIA) informs development of effective interventions. This study examined the association between ethnicity, immigration status, and DUIA, exploring psychological distress and hazardous drinking as additional contributors. METHOD: Data were derived from the 2003-2011 cycles of the Centre for Addiction and Mental Health (CAMH) Monitor of 16,101 adults from Ontario, Canada. Hierarchical binary logistic regression analysis assessed self-identified ethnicity and immigration status as predictors of DUIA, adjusting for sociodemographics and driving exposure (Model 1), psychological distress (Model 2), and hazardous drinking (Model 3). RESULTS: In Model 1, respondents born outside of Canada had reduced odds of engaging in DUIA compared to those born in Canada (AOR = 0.72, 95%CI = 0.56 - 0.92). Relative to those identifying as Canadian, the odds of DUIA were significantly reduced for those identifying as East Asian (AOR = 0.28, 95%CI = 0.13 - 0.61) and South Asian (AOR = 0.52, 95%CI = 0.27 - 0.98). In Model 3, individuals who reported psychological distress (AOR = 1.69, 95%CI = 1.33 - 2.16) and those who reported hazardous drinking (AOR = 6.28, 95%CI= 5.13 - 7.69) were more likely to DUIA. Those identifying as East Asian continued to have reduced odds of DUIA compared to those identifying as Canadian (AOR = 0.38, 95%CI = 0.17 - 0.85). CONCLUSION: Individuals born outside of Canada were less likely to engage in DUIA than individuals born in Canada. Drivers who self-identified as East Asian were less likely to DUIA than those who self-identified as Canadian. Understanding ethnic differences underlying divergent risks for DUIA will improve prevention initiatives and remedial measures programming.
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 | 0,001 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».