Uncovering Polysubstance Use Patterns in Canadian Youth with Machine Learning on Longitudinal COMPASS Data
Notice bibliographique
Résumé
Abstract Understanding polysubstance use (PSU) patterns and their associated factors among youth is crucial for addressing the complex issue of substance use in this population. This study aims to investigate PSU patterns in a large sample of Canadian youth and explore associated factors using data from COMPASS, a longitudinal health survey of Canadian secondary school students. The study sample consisted of 8824 students from grades 9 and 10 at baseline in 2016/17, followed over 3 years until 2018/19. Leveraging machine learning methods, especially the least absolute shrinkage and selection operator (LASSO) and multivariate latent Markov models, we conducted a comprehensive examination of PSU patterns. Our analyses revealed distinct PSU patterns among Canadian youth, including no-use (C1), alcohol-only (C2), concurrent use of e-cigarettes and alcohol (C3), and poly-use (C4). C1 showed the highest prevalence (60.5%) in 2016/17, declining by 2.4 times over 3 years, while C3 became the dominant pattern (32.5%) in 2018/19. The prevalence of C3 and C4 increased by 2.3 and 4.4 times, respectively, indicating a growing trend of dual and multiple substance use. Risk factors associated with PSU patterns included truancy (ORC2 = 1.67, 95 % CI [1.55, 1.79]; ORC3 = 1.92, 95 % CI [1.80, 2.04]; ORC4 = 2.79, 95 % CI [2.64, 2.94]), having more smoking friends, more weekly allowance, elevated BMI, being older, and attending schools unsupportive in quitting drugs/alcohol. In contrast, not gambling online (ORC2 = 0.22, 95 % CI [−0.16, 0.58]; ORC3 = 0.14, 95 % CI [-0.24, 0.52]; ORC4 = 0.08, 95 % CI [−0.47, 0.63]), eating breakfast, residing in urban areas, and having higher school connectedness were protective factors against a higher-use pattern. This study provides insights for policymakers, educators, and health professionals to design targeted and evidence-based interventions, addressing youth substance use challenges through a comprehensive examination of PSU patterns and influential factors impacting substance use behaviors.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».