Alcoholic beverage types consumed by population subgroups in the United States: Implications for alcohol policy to address health disparities
Notice bibliographique
Résumé
INTRODUCTION: We aimed to identify alcoholic beverage types more likely to be consumed by demographic subgroups with greater alcohol-related health risk than others, mainly individuals with low socio-economic status, racial/ethnic minority status and high drinking levels. METHODS: Fractional logit modelling was performed using a nationally representative sample of US adult drinkers (analytic N = 37,657) from the National Epidemiologic Survey on Alcohol and Related Conditions Waves 2 (2004-2005) and 3 (2012-2013). The outcomes were the proportions of pure alcohol consumed as beer, wine, liquor and coolers (defined as wine-/malt-/liquor-based coolers, hard lemonade, hard cider and any prepackaged cocktails of alcohol and mixer). RESULTS: Adults with lower education and low or medium income were more likely to drink beer, liquor and coolers, while those with a 4-year college/advanced degree and those with high income preferred wine. Excepting Asian adults, racial/ethnic minority adults were more likely to drink beer (Hispanics) and liquor (Blacks), compared with White adults. High- or very-high-level drinkers were more likely to consume liquor and beer and less likely to consume wine (and coolers), compared with low-level drinkers. High-level and very-high-level drinkers, who were less than 10% of all drinkers, consumed over half of the total volume of beer, liquor and coolers consumed by all adults. DISCUSSION AND CONCLUSIONS: Individuals with low socio-economic status, racial/ethnic minority status or high drinking level prefer liquor and beer. As alcohol taxes, sales and marketing practices all are beverage-specific, targeted approaches to reduce consumption of these beverages, particularly among individuals with these profiles, are warranted.
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 | 0,001 |
| 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 ».