Additive roles of tobacco and cannabis co-use in relation to delay discounting in a sample of heavy drinkers
Notice bibliographique
Résumé
RATIONALE: Alcohol use disorder (AUD) is associated with steeper delay discounting rates; however, it is unknown whether substance co-use, particularly cannabis use, has an additive effect on discounting rates among heavy drinkers. Furthermore, it is unclear whether substance co-use and delay discounting are independently associated with AUD severity. OBJECTIVES: The purpose of this study was to determine whether alcohol, tobacco, and cannabis co-use impacts delay discounting rates. We also sought to determine whether substance co-use and delay discounting were associated with AUD symptom counts. METHODS: The study sample was culled from several human laboratory studies and consisted of 483 heavy drinking individuals who completed a baseline visit (prior to experimental procedures). Participants were divided into groups based on self-reported alcohol, tobacco, and cannabis use during the past 30 days: alcohol only (n = 184), alcohol + cigarettes (n = 89), alcohol + cannabis (n = 82), and tri-use (n = 128). We examined discounting rates across the 4 groups and used multiple linear regression to test whether co-use and delay discounting were associated with AUD symptoms. RESULTS: After adjusting for covariates, individuals in the alcohol + cannabis group and the tri-use group had steeper discounting rates relative to the alcohol-only group. In addition, tri-use and delay discounting rates were independently correlated with a greater number of AUD symptoms. CONCLUSIONS: Delay discounting rates were significantly greater among subgroups reporting cannabis use providing partial support for an additive effect, while also highlighting the importance of co-use substance type. Both tri-use and delay discounting were associated with greater AUD severity, which may provide relevant intervention targets.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».