Self-reported substance use with clinician interviewers versus self-administered surveys
Notice bibliographique
Résumé
OBJECTIVE: Underreporting of substance use is a frequent concern about studies based on self-report, but few robust studies have examined the agreement between different methods for capturing self-reported substance use. The current study therefore used repeated measures to compare self-reported substance use using (a) clinician interviewers and (b) self-administered computerized surveys in a sample that included both inpatients and community residents. METHOD: = 476) interviews, participants were asked whether they used alcohol, cannabis, cocaine, heroin, and prescription painkillers by two methods: semi-structured, clinician-administered interview, and computerized self-administered questionnaire. Agreement between these two methods was investigated using Cohen's kappa coefficient. Multivariable logistic regression assessed differences in the odds of discordance between the two measures by recruitment source, gender, age, race/ethnicity, employment status, marital status, and level of education. RESULTS: There was moderate-to-strong agreement between clinician-administered and self-administered surveys for alcohol (kappa = .70-.88), cannabis (kappa = .87-.92), cocaine (kappa = .81-.89), and heroin (kappa = .90-.92). However, there was only weak-to-moderate agreement for nonmedical use of prescription painkillers (kappa = .55-.71), with the self-administered questionnaire capturing a higher prevalence of use (percent difference = 2.4%). CONCLUSIONS: Clinician interviewers and self-administered surveys were shown to capture similar rates of self-reported use of alcohol, cannabis, cocaine, and heroin. Surveys assessing nonmedical prescription opioid use may benefit from using self-administered questionnaires.
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 | 0,000 | 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 ».