Notice bibliographique
Résumé

 Overdose deaths have been occurring at high rates in many parts of Canada. From January 2016 (when national surveillance began) to March 2019, an estimated 12,800 Canadians died of an opioid overdose.1 In addition to opioid-related harms, stimulants such as methamphetamine have re-emerged in some regions and are also contributing to the current rise in overdose deaths.
 COVID-19 has resulted in a more compromised illicit drug supply, and those who use drugs have had limited access to formal and informal supports because of public health measures regarding physical distancing. As a result, overdose deaths have increased during the pandemic.
 Harm reduction approaches provide a mechanism to prevent overdose deaths and have additional health and public safety benefits. The current crisis has been exacerbated by COVID-19; therefore, it is an appropriate time to consider the entire continuum of harm reduction approaches available to reduce preventable overdose deaths.
 People with lived experience of drug use should be meaningfully included in policy discussions about harm reduction and overdose prevention interventions. This would enhance the person-centredness of programs and ensure they are reflective of the lived realities of those who use drugs.
 Although societal attitudes about drug use are changing, harm reduction interventions remain politically contentious. Countering stigma, being prepared to engage with community concerns, and clearly articulating that harm reduction services are intended to complement and not replace drug treatment are all important in enhancing public understanding of harm reduction.
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 | 0,001 | 0,000 |
| 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 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 ».