Notice bibliographique
Résumé
Introduction: The United Nations Office on Drugs and Crime (UNODC) in line with its mandates works with families and communities in various low-and-middle income countries settings in the light of the International Standards for Prevention of Drug Use (UNODC/WHO, 2018) and the International Standards for the Treatment of Drug Use Disorders (UNODC/WHO, 2020). Method: Initial monitoring and evaluation results of UNODC supported science-and family-based programs will be shared. Key Findings: Families and communities are key to promote emotional, physical and social development and the achievement of the Sustainable Development Goals. Feasibility and effectiveness of different family prevention and family treatment programs has been demonstrated across many countries. Discussions and Conclusions: Family factors and contexts in which families live can be both a risk a protective factor when it comes to the onset of drug use and the development of drug use disorders. Effective programs and interventions on various levels can enhance the supportive potential of families in the creation of societies more resilient to drugs and crime. There is a need for further monitoring and evaluation of interventions in different contexts. Implications for Practice or Policy: A key role in the mandates of UNODC is to provide technical assistance and thus translate science to practice in support of United Nations Member States on effective drug use disorder prevention, treatment and care. Implications for Translational Research: The work presented includes information from implementation studies on evidencebased interventions adapted to in low-and middle-income countries. Disclosure of Interest Statement: AB is a staff member of the United Nations. The author alone is responsible for the views expressed in this presentation
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 | 0,001 |
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 ».