Government Options to Reduce the Impact of Alcohol on Human Health: Obstacles to Effective Policy Implementation
Notice bibliographique
Résumé
Evidence for effective government policies to reduce exposure to alcohol's carcinogenic and hepatoxic effects has strengthened in recent decades. Policies with the strongest evidence involve reducing the affordability, availability and cultural acceptability of alcohol. However, policies that reduce population consumption compete with powerful commercial vested interests. This paper draws on the Canadian Alcohol Policy Evaluation (CAPE), a formal assessment of effective government action on alcohol across Canadian jurisdictions. It also draws on alcohol policy case studies elsewhere involving attempts to introduce minimum unit pricing and cancer warning labels on alcohol containers. Canadian governments collectively received a failing grade (F) for alcohol policy implementation during the most recent CAPE assessment in 2017. However, had the best practices observed in any one jurisdiction been implemented consistently, Canada would have received an A grade. Resistance to effective alcohol policies is due to (1) lack of public awareness of both need and effectiveness, (2) a lack of government regulatory mechanisms to implement effective policies, (3) alcohol industry lobbying, and (4) a failure from the public health community to promote specific and feasible actions as opposed to general principles, e.g., 'increased prices' or 'reduced affordability'. There is enormous untapped potential in most countries for the implementation of proven strategies to reduce alcohol-related harm. While alcohol policies have weakened in many countries during the COVID-19 pandemic, societies may now also be more accepting of public health-inspired policies with proven effectiveness and potential economic benefits.
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 | 0,000 |
| 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 ».