MétaCan
Menu
Retour à la cohorte
Enregistrement W4391388126 · doi:10.1177/00220426241231499

Context of Substance Use: Harm Reduction and Safer Supply

2024· article· en· W4391388126 sur OpenAlexafffundabout
Marlene Haines, Patrick O’Byrne

Notice bibliographique

RevueJournal of Drug Issues · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueSubstance Abuse Treatment and Outcomes
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesHealth Canada
Mots-clésSAFERHarm reductionContext (archaeology)Substance useReduction (mathematics)HarmPsychologyBusinessMedicineComputer securitySocial psychologyComputer sciencePsychiatryPublic healthNursingGeography

Résumé

récupéré en direct d'OpenAlex

Canada continues to be in the midst of an ongoing unregulated drug poisoning crisis, with over 40,000 opioid-related deaths since 2016. To develop a better understanding of the context of drug use, we interviewed safer supply program participants in Ottawa, Canada. Data collection included semi-structured interviews which were analyzed thematically. Overall, 2 major themes arose, which included 1) the historical and ongoing effects of trauma, and 2) a cycle of drug use that overwhelmed them. From this, a framework was created which depicts the context of substance use. Our research reinforced the importance of considering the historical and ongoing effects of trauma on the lives of people who use drugs when developing harm reduction and substance use programs. Further, participants found safer supply programs to be useful in disrupting a cycle of drug use they felt trapped in and allowed them a sense of autonomy regarding their drug use.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,464
Score d'incertitude au seuil0,246

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,310
Écart entre enseignants0,281 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Drug IssuesMême sujetSubstance Abuse Treatment and OutcomesTravaux en français237 207