Utilisation de produits psychoactifs pour améliorer la performance intellectuelle ou physique en milieu postsecondaire
Notice bibliographique
Résumé
Contexte. La prévalence de consommation de produits dopants chez les jeunes adultes est une préoccupation grandissante dans le champ de la santé publique, en particulier pour les autorités universitaires et sportives, les professeurs et les professionnels de la santé. Méthodes. Un échantillon de 469 étudiants et étudiantes âgés de 18 à 24 ans ont rempli un questionnaire portant sur la consommation d’alcool et de tabac, l’utilisation des produits dopants et les motivations de cette utilisation. Des régressions logistiques multiples ont permis d’étudier les associations entre la consommation de ces produits et certaines variables socioéconomiques et académiques. Résultats. Les trois quarts des étudiants ont consommé au moins un produit au cours de la dernière année, autre que l’alcool, pour améliorer leur performance physique ou intellectuelle. Ces produits incluent, entre autres le cannabis (25,0 %), les boissons énergisantes (38,0 %), les suppléments de protéines et de créatine (22,0 %) et les comprimés de caféine (13,0 %). Les étudiants inscrits dans une ligue de sport sont plus susceptibles de consommer de l’alcool et du cannabis que les étudiants qui ne fréquentent pas de ligues. Nous notons aussi des associations entre le groupe ethnolinguistique et la consommation d’alcool, de comprimés de caféine, de boissons énergisantes, de mélanges d’alcool et de boissons énergisantes ou d’alcool et de drogues. Les motivations associées à la consommation sont principalement la réduction du stress et le fait de rester éveillé. Conclusion. Des stratégies de sensibilisation aux dangers de consommer de tels produits doivent être développées sur les campus des universités canadiennes selon les pratiques des étudiants de diverses origines ethnolinguistiques et auprès des populations vulnérables, tels les athlètes.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,004 | 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 ».