Stigma Related to the Non-Medical Use and Diversion of Prescription Stimulant Drugs: Should We Care
Notice bibliographique
Résumé
BACKGROUND: Non-medical use (NMU) and diversion of prescription stimulants are prevalent on college campuses. Diversion represents a primary source of acquisition for NMU among young adults. This study examined relationships between stigmatizing beliefs related to NMU and diversion of stimulant medications and engagement in these behaviors, as well as how such perceptions are associated with indicators of psychological distress among those who engage in these behaviors. METHODS: = 384) were recruited from a large US university to participate in this cross-sectional electronic survey-based study. Relationships between stigma variables and NMU and diversion were assessed. Among those who engage in NMU and diversion, we tested relationships between stigma variables and indicators of psychological distress, using validated instruments. RESULTS: Perceived social and personal stigmatic beliefs did not significantly predict NMU. However, perceived social and personal stigma of diversion significantly reduced diversion likelihood. For NMU, associations were found between stigma variables and indicators of psychological distress. Markedly, we found that as stigmatic perceptions of NMU increased, so did depressive, anxiolytic, and suicidal symptomatology among those who engage in NMU. CONCLUSIONS: Stigmatization does not deter NMU; however, stigmatization is positively associated with psychological harm among those who engage in NMU. Interventions should be developed to reduce stigmatization in order to improve psychological health among those who engage in NMU. Stigmatic perceptions of diversion were not predictive of psychological harm, though they are negatively associated with diversion behavior.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».