Patterns of Adolescent Substance Use: A Comparative Study among the United States, Canada, England, and South Korea from 2014-2021
Notice bibliographique
Résumé
Purpose: This study aimed to identify the cross-national estimates of substance use, explore problematic substance use patterns among adolescents across countries and over time, and examine the relationship of individual characteristics on substance use patterns. Methods: This study employed a time-series secondary data analysis spanning from 2014 to 2021 across four countries (United States, Canada, England, and South Korea). We analyzed the usage of five substances (alcohol, binge drinking, cigarettes, electronic cigarettes, and illicit drugs) alongside demographic characteristics. A descriptive analysis was performed to identify estimates of substance use across countries. Latent class analysis was employed to examine adolescents’ substance use patterns across time and countries. A multinomial logistic regression model was fit to assess the relationship between latent class and demographic characteristics. Results: Adolescents in the United States and Canada had the highest substance use, while Korean adolescents had the lowest, particularly concerning drugs. Latent class analysis revealed two classes (light-user and heavy-user), with the addition of a third class (moderate-user) in some instances. The substance use patterns, while differing significantly among nations, exhibited consistency over time. During COVID-19, a decrease in heavy-substance users was observed across countries. Male or older participants were more likely to belong to the heavy-user class. Conclusion: This research offers valuable insights into the variations in substance use patterns between nations and over time. A tailored approach is essential to prevent adolescents from becoming heavy-substance users. This approach should consider country regulations and demographics for a targeted and comprehensive preventive strategy.
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 | 0,003 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».