Online interventions for cannabis use among adolescents and young adults: Systematic review and meta‐analysis
Notice bibliographique
Résumé
BACKGROUND: Young people present high rates of cannabis use, abuse, and dependence. The United Nations estimates that roughly 3.8% of the global population aged 15-64 years used cannabis at least once in 2017. Cannabis use in young people may impair cognitive skills, interfere with learning, impact relationships, and lead to long term behavioural and psychological consequences. Online cannabis interventions (OCI) are increasingly popular, but their dissemination is not often supported by empirical evidence. AIM: To systematically compile and analyse the effectiveness of OCI for the reduction of cannabis use among adolescents and young adults (AYA). METHODS: Pooled effect sizes of cannabis use between treatment and control groups were estimated. For each comparison, Hedge's g was calculated using a random effects model. RESULTS: The search strategy yielded 4531 articles. Of those, a total of 411 articles were retrieved for detailed evaluation resulting in 17 eligible studies (n = 3525). Analyses revealed that online interventions did not significantly reduce cannabis consumption (Hedge's g = -0.061, 95% CI [-0.363] to [-0.242], p = .695) and high heterogeneity was noted (Q = 191.290). More recent studies using structured interventions, daily feedback, AYA centred designs, and peer support, specifically targeting CU seemed to have positive effects to address CU in this population. CONCLUSIONS: The lack of positive outcomes suggests that more specific and targeted interventions may be necessary to promote cannabis-related behavioural change among young people. These targeted interventions may include structured CU modules, daily feedback, peer support for increased adherence, user-centred design procedures, and input from key stakeholders such as families and service providers.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».