Changes in Cannabis Use Patterns in Psychiatric Populations Pre- and Post-Legalization of Recreational Cannabis Use in Canada: A Repeated Cross-Sectional Survey
Notice bibliographique
Résumé
Objective: Since the federal Canadian government legalized cannabis in 2018, cannabis use in the general population has slightly increased. However, little is known about the impact of cannabis legalization on pattens of cannabis use in psychiatric populations. Method: We studied changes in daily/almost daily and average 30-day cannabis use amongst individuals currently using cannabis who reported past 12-month experiences of specific mental health disorders and among those without past 12-month experiences of any mental health disorder before and after Canadian legalization of recreational cannabis use (N = 13,527). Data came from Canadian respondents in Wave 1 (August–October 2018), Wave 2 (September–October 2019), and Wave 3 (September–November 2020) of the International Cannabis Policy Study (ICPS). Results: After adjustment for covariates, among individuals currently using cannabis, the odds of using cannabis daily/almost daily increased only in individuals with schizophrenia between Wave 1 and Waves 3 (aOR = 9.19, 95% CI: 2.46 – 34.37). Similarly, significant increases in average 30-day cannabis use between Wave 1 (M = 12.80, SE = 1.65) and Wave 3 (M = 18.07, SE = 1.03) were observed only among individuals with schizophrenia [F (1,2) = 4.58, p < .05). No significant changes in daily/almost daily or average past 30-day cannabis use were observed in those without mental health problems or those reporting anxiety, depression, PTSD, bipolar disorder, or substance use disorders. Conclusions: Since legalization, cannabis use has significantly increased only among people with schizophrenia, highlighting the need for targeted public health prevention programs.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| 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 | 0,001 |
| 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 ».