Knowledge and behaviors of drunk-driving offenders in Guangzhou, China
Notice bibliographique
Résumé
Jia, K., Fleiter, J., King, M., Sheehan, M., Ma, W., & Zhang, J. (2015). Knowledge and behaviors of drunk-driving offenders in Guangzhou, China. The International Journal Of Alcohol And Drug Research, 4(2), 151-158. doi:http://dx.doi.org/10.7895/ijadr.v4i2.203Aims: To better understand the knowledge and behaviors of drunk-driving offenders relating to alcohol use and driving in thecontext of recently amended Chinese legislation, and to investigate the involvement of alcohol-use disorders.Design: The study was a cross-sectional survey conducted in 2012.Setting and participants: Data were collected at a local jail and 101 participants were recruited while in detention.Measures: Questionnaire items examined demographic characteristics as well as practices and knowledge relating to alcohol useand driving. The Alcohol Use Disorders Identification Test (AUDIT) was used to assess hazardous drinking levels.Findings: Knowledge about the two legal limits for “drink driving” and for “drunk driving” was low, at 28.3% and 41.4%,respectively. AUDIT scores indicated that a substantial proportion of the offenders had high levels of alcohol-use disorders.Higher AUDIT scores were found among the least experienced drivers, those who lacked knowledge about the legal limits, andrecidivist drunk drivers.Conclusions: Limited awareness of legal alcohol limits might contribute to offending; high AUDIT scores suggest thathazardous drinking levels may also contribute. This study provides important information to assist in refining communityeducation and prevention efforts.
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 | 0,000 | 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 | 0,001 | 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) | 0,002 | 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 ».