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 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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».