A latent class analysis of patterns of tobacco and cannabis use in Australia and their health‐related correlates
Notice bibliographique
Résumé
INTRODUCTION: The shifting landscape in Australia's tobacco and cannabis policies and emerging new products and modes of administration may increase experimentation and the risks of addiction to these drugs. METHODS: We analysed cross-sectional data from the 2019 National Drug Strategy and Household Survey (n = 22,015) of Australians aged 14 and above. Latent class analysis was used to identify distinct groups based on types of tobacco and cannabis products used. The socio-demographic, health-rated correlates and past-year substance use of each latent class was examined. RESULTS: A four-class solution was identified: co-use of tobacco and cannabis (2.4%), cannabis-only (5.5%), tobacco-only (8.0%) and non-user (84.0%). Males (odds ratio [OR] range 1.5-2.9), younger age (OR range 2.4-8.4), moderate to high psychological distress (OR range 1.3-3.0), using illicit substances in the last year (OR range 1.41-22.87) and high risk of alcohol use disorder (OR range 2.0-21.7) were more likely to be in the tobacco/cannabis use classes than non-users. Within the co-use class, 78.4% mixed tobacco with cannabis and 89.4% had used alcohol with cannabis at least once. DISCUSSION AND CONCLUSIONS: Approximately 16% of respondents used tobacco or cannabis, or both substances, and no major distinct subgroups were identified by the use of different product types. Mental health issues and the poly-substance use were more common in the class who were co-users of cannabis and tobacco. Existing policies need to minimise cannabis and tobacco-related harms to reduce the societal burden associated with both substances.
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 ».