A Realist Review of How Community-Based Drug Checking Services Could Be Designed and Implemented to Promote Engagement of People Who Use Drugs
Notice bibliographique
Résumé
With rising numbers of drug-related deaths in the UK and globally, exploration of interventions that seek to reduce drug-related harm is essential. Drug checking services (DCS) allow people to submit drug samples for chemical analysis and receive feedback about the sample, as well as harm reduction advice. The use of DCS is often linked to festival and/or nightlife settings and to so-called 'recreational' drug use, but research has also shown the potential of community-based DCS as an intervention serving more varied demographics of people who use drugs, including more marginalised individuals and those experiencing drug dependence. Whilst there is a growing evidence base on the effectiveness of drug checking as a harm reduction intervention, there is still limited evidence of the underlying mechanisms and processes within DCS which may aid implementation and subsequent engagement of people who use drugs. This presents a challenge to understanding why engagement differs across types of DCS, and how best to develop and deliver services across different contexts and for different populations. To explore the contexts and mechanisms which impact engagement in community-based DCS, a realist review was undertaken to synthesise the international evidence for the delivery and implementation of DCS. There were 133 sources included in the review. From these sources the underlying contexts, mechanisms, and outcomes relating to DCS implementation and engagement were developed and refined into seven programme theories. The findings of this review are theoretically novel and hold practical relevance for the design of DCS, with implications for optimisation, tailoring, and implementing services to reach individuals in different settings.
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 | 0,014 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».