Measuring recent cannabis use across modes of delivery: Development and validation of the Cannabis Engagement Assessment
Notice bibliographique
Résumé
Introduction: Methods of cannabis engagement have proliferated in recent years, which many self-report measures do not adequately capture. There is a clear need for self-report measures that capture current patterns of cannabis use across a range of methods, and that can be used to track changes over time. The current study developed the Cannabis Engagement Assessment (CEA), a self-report measure of past month cannabis use across dry flower, concentrate, and edible products. Methods: A sample of 349 participants from the undergraduate student population and broader community were recruited. To examine convergent validity of the CEA, participants completed measures of cannabis engagement, cannabis misuse, and use-related problems. To assess divergent validity, participants also completed measures of depression and alcohol use problems. Criterion and test-retest reliability were examined in a subset of 65 participants who re-completed the CEA and a timeline follow-back interview (TLFB). Results: Indicators of cannabis use frequency and quantity showed good convergence with measures of cannabis use patterns, problematic engagement, and cannabis use-related problems. Divergent validity of the CEA was supported by lower associations with alcohol use problems and depression symptoms. The CEA also showed good test-retest reliability and convergence with estimates of frequency and quantity of cannabis use from the TLFB. Conclusions: The CEA is a viable self-report measure of cannabis use that is representative of current patterns of recreational cannabis engagement. Its focus on cannabis use in the preceding 30 days also lends itself to measuring changes in use over time.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».