A survey of educator perspectives toward teaching harm reduction cannabis education
Notice bibliographique
Résumé
INTRODUCTION: Substance use is common among youth which can adversely affect youth health. Despite the legalization of cannabis in Canada and much of the United States, there is a lack of harm reduction cannabis education in schools. In addition, educators may not feel prepared to teach students about cannabis. METHODS: A cross-sectional survey explored educator perceptions toward teaching harm reduction substance use education to students in grades 4-12. Data analysis included descriptive statistics to evaluate demographic variables, ANOVAs to identify subgroup differences, and inductive thematic analysis to establish themes from open-ended responses. From the sample of 170 educators, the majority were female (77%) and worked as classroom teachers (59%). RESULTS: Ninety-two percent of educators felt harm reduction was an effective approach to substance use education, and 84% stated that they would feel comfortable teaching cannabis harm reduction education to students. While 68% of educators believed they would be able to recognize if a student was under the influence of cannabis, only 39% felt certain about how to respond to student cannabis use, and just 8% felt that their current teacher training allowed them to intervene and prevent cannabis-related harms. Most educators (89%) expressed interest in harm reduction training, particularly interactive training (70%) and instructor-led lessons (51%). Online curriculum resources were preferred by 57%. Responses differed by gender and age group, with females of any age and educators under 40 reporting greater support of harm reduction approaches and more interest in training. CONCLUSION: Educators expressed considerable support for harm reduction substance use education, but many felt unprepared to address this topic with students. The findings identified a need for educator training on harm reduction substance use education, so that educators can help students make informed choices around substance use, thereby promoting youth health and safety.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».