Improving measurement of harms from others' drinking: Using <scp>item‐response</scp> theory to scale harms from others' heavy drinking in 10 countries
Notice bibliographique
Résumé
INTRODUCTION: The heavy drinking of others may negatively affect an individual on several dimensions of life. Until now, there is scarce research about how to judge the severity of various experiences of such harms. This study aims to empirically scale the severity of such harm items and to determine who is at most risk of these harms. METHODS: We used population-based survey data from 10 countries of the GENAHTO project (Gender and Alcohol's Harms to Others, data collection: 2011-2016). Questions about harms from others' drinking asked about verbal and physical harm, damage of belongings, traffic accidents, harassment, threatening behaviour, family and financial problems. We used item response theory methods (IRT) to scale severity of the aforementioned items. To acknowledge culturally based variations in different countries, we assessed 'differential item functioning'. RESULTS: The items 'family problems', 'financial problems' and 'clothes and property damage' as well as 'physical harm' were scaled as more severe in most countries compared to other items. Substantial differential item functioning was present in more than half of the country pairings. The item 'financial problems' was most often differentially scaled. Younger people who drank more, as well as women (compared to men), reported more harm. DISCUSSION AND CONCLUSIONS: Using IRT, we were able to evaluate grades of severity in harms from others' drinking. IRT scaling yielded in similar rankings of items as reported from other studies. However, empirical scaling allows for more differentiated severity scaling than simple summary scores and is more sensitive to cultural differences.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».