Exploring the role of primary regulation differences for cannabis legalization outcomes – preliminary data from two Canadian provinces
Notice bibliographique
Résumé
Background: Cannabis legalization policy is increasingly implemented to improve public health and safety outcomes, including in Canada (since 2018). Main outcome assessments have primarily focused on categorical (e.g. pre-/post-) legalization policy reform effects, while differential regulation frameworks have been less considered. For this, Canada provides a rich ecology where provinces diversely define many regulation parameters under the federal legalization umbrella, with Alberta and Quebec as the respectively least and most tightly regulated provincial units.Methods: Based on a basic, targeted search, we identified and summarized key publicly available, cross-sectional indicator data for primary health and socio-legal post-legalization outcomes for Alberta and Quebec.Results: Data suggested substantial inter-provincial differences in cannabis use (e.g. among adults and youth) and legal cannabis sourcing levels, with less differences for select cannabis use-related risks/harm (e.g. cannabis-impaired driving, cannabis-related motor-vehicle-crashes). Other specific outcomes (e.g. poisonings, home-cultivation) showed inter-provincial differences that may plausibly relate to distinct provincial regulation frameworks.Discussion: While possible ecological or independent effects may exist, the exploratory data suggest that the different regulatory legalization frameworks in Alberta and Quebec may influence legalization-related health and/or socio-legal outcomes. Related outcome differentials should be systematically examined for causal associations with regulations implemented towards informing evidence-based cannabis legalization policy development.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».