Facilitators of and obstacles to practitioners’ adoption of harm reduction in cannabis use: a scoping review
Notice bibliographique
Résumé
BACKGROUND: Cannabis use can generate potential avoidable harms, hence the need for effective preventive measures and treatment. Studies show the efficacy of harm reduction (HR) in minimizing undesirable consequences associated with this use. Despite its proven efficacy, HR in cannabis use remains poorly applied by many health and social services (HSS) practitioners, especially with young people. However, knowledge regarding the underlying reasons for this is limited. To fill this gap, we aimed to identify facilitators of and obstacles to HSS practitioners' adoption of HR in cannabis use across OECD countries. METHODS: We conducted a scoping review, guided by Arksey and O'Malley's model. The search strategy, executed on health databases and in the grey literature, captured 1804 studies, of which 35 were retained. Data from these studies were extracted in summary sheets for qualitative and numerical analysis. RESULTS: Facilitators and obstacles were grouped into four themes: stakeholders' characteristics (e.g., education, practice experience); clients' characteristics (e.g., personal, medical); factors related to HR (e.g., perceived efficacy, misconceptions); factors related to the workplace (e.g., type of workplace). Data were also extracted to describe the populations recruited in the selected studies: type of population, clientele, workplace. CONCLUSION: Several factors might facilitate or hinder HSS practitioners' adoption of HR in cannabis use. Taking these into consideration when translating knowledge about HR can improve its acceptability and applicability. Future research and action should focus on this when addressing practitioners' adoption of HR.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».