Effects of Recreational Cannabis Legalization on Mental Health: Scoping Review
Notice bibliographique
Résumé
OBJECTIVE: Recreational cannabis legalization (RCL) is expanding rapidly. RCL's effects on mental health issues are of particular concern because cannabis use is more frequent among people receiving psychiatric care and is associated with several psychiatric disorders. The authors conducted a scoping review to examine the evidence and discern gaps in the literature concerning the effects of RCL on mental health and to assess the factors responsible for an observed heterogeneity in research results. METHODS: This scoping literature review followed PRISMA guidelines. Five databases-MEDLINE, CINAHL, Embase, APA PsycInfo, and Web of Science-were searched for English- or French-language reports published between January 1, 2012, and April 30, 2023. RESULTS: Twenty-eight studies from the United States and Canada were found. The studies were classified by category of the study's data (patients receiving psychiatric care [k=1], death records [k=4], emergency department or hospital records [k=10], and the general population [k=13]) and by the diagnosis (schizophrenia or psychoses, mood disorders, anxiety disorders and symptoms, suicide or suicidal ideation, or other mental health issues) examined. The review findings revealed a paucity of research and indicated mixed and largely inconclusive results of the studies examined. Research gaps were found in the examination of potential changes in cannabis use patterns among people receiving psychiatric care and in the availability of longitudinal studies. CONCLUSIONS: Clinicians, researchers, and policy makers need to collaborate to address the research gaps and to develop evidence-based policies that reflect a thorough understanding of the effects associated with RCL.
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 | 0,001 |
| 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 ».