Early‐onset smoking and vaping of cannabis: Prevalence, correlates and trends in New Zealand 14–15‐year‐olds
Notice bibliographique
Résumé
INTRODUCTION: Initiating cannabis use at an early age elevates risk of harm. Cannabis vaping is an emerging issue, and it is unknown whether the patterning and correlates of early-onset cannabis vaping differ from those of cannabis smoking. METHODS: We used repeat cross-sectional data from a nationally representative biennial survey (2012-2018) of students aged 14-15 years in New Zealand (N = 11,405), response rate 65% (2012), 64% (2014-2016) and 59% (2018). RESULTS: Between 2012 and 2018 lifetime cannabis use decreased, but regular use (past month, weekly, daily) was stable. Prevalence of past month, weekly and daily use in 2016-2018 (pooled) was 8.6%, 3.4% and 1.5%, respectively. Cannabis vaping was reported by 24% of past month cannabis users. The demographic profile of early-onset cannabis smokers and vapers was similar, with elevated use of both modes among Māori (Indigenous), same- or both-sex attracted students and those in low decile (high-deprivation) schools. Correlates were similar for both modes. Cannabis use was strongly associated with tobacco and alcohol use. The next strongest associations (after adjustment) were exposure to second-hand smoke at home, student income >$50/week and low parental monitoring of whereabouts. Past week social media use, psychological distress and low parental monitoring of spending were also associated with both modes. DISCUSSION AND CONCLUSIONS: Early-onset cannabis use is much higher in structurally disadvantaged groups, and among those who use tobacco and alcohol. Comprehensive multisubstance approaches to prevention are indicated in this age group. Efforts to reduce socio-economic inequity and exposure to other risk factors may reduce cannabis-related harm.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
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 ».