Examining the predictive potential of depressed mood and alcohol misuse on risky driving
Notice bibliographique
Résumé
AIMS: Male driving while impaired (DWI) offenders are at heightened risk for engaging in risky driving. Males in a depressed mood are also more prone to alcohol misuse, which may further contribute to risky driving. This manuscript investigates the predictive potential of combined depressed mood and alcohol misuse on risky driving outcomes 3 and 9 years after baseline in male DWI offenders. METHODS: At baseline, participants completed questionnaires assessing depressed mood (Major Depression scale of the Millon Clinical Multiaxial Inventory-III), alcohol misuse (Alcohol Use Disorders Identification Test), and sensation-seeking (Sensation Seeking Scale-V). Risky driving data (Analyse des comportements routiers; ACR3) were collected at follow-up 3 years after baseline. Driving offence data were obtained for 9 years after baseline. RESULTS: There were 129 participants. As 50.4% of the sample were missing ACR3 scores, multiple imputation was conducted. In the final regression model, R2 = 0.34, F(7,121) = 8.76, P < 0.001, alcohol misuse significantly predicted ACR3, B = 0.56, t = 1.96, P = 0.05. Depressed mood, however, did not significantly predict ACR3 and sensation-seeking was not a significant moderator. Although the regression model predicting risky driving offences at Year 9 was significant R2 = 0.37, F(10,108) = 6.41, P < 0.001, neither depressed mood nor alcohol misuse was a significant predictor. CONCLUSIONS: These findings identify alcohol misuse as a predictor of risky driving 3 years after baseline among male DWI offenders. This enhances our prediction of risky driving, extending beyond the widely researched acute impacts of alcohol by exploring chronic patterns.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».