Profiling and assessing the risks of image- and performance-enhancing drugs use during the COVID-19 lockdown
Notice bibliographique
Résumé
Background: Image and Performance-Enhancing Drugs (IPEDs) can enhance mental and physical capabilities and impact one's overall health. Initially confined in sport environments, IPEDs use has become increasingly widespread in a high-performing society. The present study was aimed at profiling IPEDs use during the COVID-19 lockdown among an international sample of young adults. Methods: A cross-sectional observational study was carried out in eight countries (United Kingdom, Italy, Lithuania, Hungary, Portugal, Spain, Brazil, and Japan) between April and May 2020. The survey questionnaire included validated measurements such as Exercise Addiction Inventory (EAI), Appearance Anxiety Inventory (AAI), and Self-Compassion Scale (SCS) as well as questions about the type of IPEDs, purchasing methods and socio-demographic information. Results: = 10.06), and 64.2% were female participants. Overall, 6.8% were found at risk of exercise addiction (EAI >24), 27.6% presented high levels of appearance anxiety, and 24.9% revealed low levels of emotional regulation's self-compassion. Most participants (55.6%) purchased IPEDs through pharmacies/specialized shops, while 41.3% purchased IPEDs on the Internet. Online IPEDs buyers were mainly men who had higher scores on the Exercise Addiction Inventory. One or more IPEDs classifiable as "potentially risky" were used by 66.3% of the sample. Users of "potentially risky IPEDs" were younger and primarily men. They showed higher scores both on the Exercise Addiction Inventory and Appearance Anxiety Inventory. Conclusion: This study profiled users of IPEDs when the most restrictive COVID-19 lockdown policies were implemented in all the participating countries. More targeted post-COVID 19 prevention strategies should be implemented according to the emerged socio-demographic and psychopathological traits and cross-cultural differences emerged. Longitudinal studies will also be needed to determine the long-term effect of the COVID-19 lockdown on IPEDs consumption.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».