Race, Ethnic, and Sex Differences in Prevalence of and Trends in Hallucinogen Consumption Among Lifetime Users in the United States Between 2015 and 2019
Notice bibliographique
Résumé
Background The current study is one of the first to examine race, ethnic, and sex differences in the prevalence of and trends in hallucinogen use among lifetime users in the United States. Methods Data came from the 2015–2019 National Survey on Drug Use and Health and included respondent's reporting ever-using hallucinogens ( n = 41,060; female = 40.4%). Descriptive and multinomial logistic regression analyses were conducted in Stata. Results Highest prevalence of past year hallucinogen use was among Asian females (35.06%), which was two-or-more times larger than prevalence of past year use among White males/females and Native American males. More than half of White males/females, Multiracial males, and Hispanic males reported had ever-used psilocybin or LSD, whereas less than one-quarter of Black males/females reported lifetime psilocybin use, and less than a third of Black females reported lifetime LSD use. Native American males had the lowest prevalence of lifetime MDMA use (17.62–33.30%) but had the highest lifetime prevalence of peyote use (40.37–53.24%). Pacific Islander males had the highest prevalence of lifetime mescaline use (28.27%), and lifetime DMT use was highest among Pacific Islander males/females (15.68–38.58%). Black, Asian, and Multiracial people had greater odds of past-year (ORs = 1.20–2.02; p s < 0.05) and past-month (ORs = 1.39–2.06; p s < 0.05) hallucinogen use compared to White people. Females had lower odds of past-year (OR = 0.79; p s < 0.05), past-month (OR = 0.78; p s < 0.05) hallucinogen use compared to males, except for lifetime use of MDMA (OR = 1.29; p s < 0.05). Conclusions These findings should inform public health initiatives regarding potential benefits and risks of hallucinogen use among racial/ethnic groups and women.
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 | 0,001 |
| 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 | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».