A simulation tool for demand response programs implementation
Notice bibliographique
Résumé
<i>Background</i>: In October 2018, Canada became the second country to legalize non-medical cannabis. However, medical cannabis has been legally available in Canada since 2001 and, in 2015, approximately 800,000 Canadians reported using cannabis for medical purposes. Mental health is a common reason reported for using medical cannabis. <i>Objectives</i>: The current study examined perceived mental health among four groups: (1) Non/ex-users; (2) Recent non-medical users; (3) Recent unauthorized medical users; and (4) Recent authorized medical users. <i>Methods</i>: A total of 867 Canadian cannabis users and nonusers aged 16 to 30 were recruited through an online consumer panel in 2017, one year before non-medical cannabis legalization. Logistic and multinomial regression models were fitted to examine differences among cannabis use status and mental health measures. All estimates represent weighted data. <i>Results</i>: Self-reported emotional and mental health problems were higher among unauthorized (83.9%) and authorized medical cannabis users (83.2%) compared to non-medical users and non/ex-users (44.5% and 39.5%, respectively). Medical users were more likely to report using cannabis to manage or improve mental health problems than non-medical users (<i>p</i> < .001). There were few differences between unauthorized and authorized medical users, and between non/ex-users and non-medical users. <i>Conclusions</i>: The findings highlight a discrepancy between the recommendation that individuals with some mental health problems should avoid cannabis and the widespread practice of using cannabis to manage mental health. Education and reduced stigma around using cannabis after legalization in Canada may help address users coming forwards regarding use of cannabis for mental health problems.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 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 ».