Evaluation of a Drug Checking Training Program for Frontline Harm Reduction Workers and Implications for Practice
Notice bibliographique
Résumé
CONTEXT: Drug checking, defined as the use of instruments (e.g. spectrometers), test strips, and other technologies to provide information on drug composition for harm reduction purposes, has emerged as a promising intervention to reduce harms of illicit drugs linked to overdose deaths. While demonstrating potential, these interventions remain limited in reach amid questions of how to reach the full population of people who use drugs and are at risk of overdose, including those outside urban areas. In response to these limitations, Substance, a drug checking project based in Victoria, Canada, developed a Distributed Model of Drug Checking and a concomitant training program. PROGRAM: The Distributed Drug Checking Training program eliminates need for point-of-care spectrometry technicians, instead capacitating harm reduction workers to provide drug checking using software developed by the project, infrared spectrometers, and immunoassay test strips. The training includes 5 hours of group content that can be delivered virtually, and 2 hours of practice time per learner. IMPLEMENTATION: Training and data collection took place between May 2022 and March 2024 with learners from 6 locations across Vancouver Island, Canada. We offered 13 training sessions, with evaluation data collected from 54 learners. EVALUATION: The training was evaluated across Kirkpatrick's 4 levels of training evaluation. The training was highly acceptable to learners, attributable to intended changes in knowledge and skill related to drug checking, resulted in competence to deliver drug checking through the project's Distributed Model, and facilitated expansion of drug checking services to 6 geographically distant locations. DISCUSSION: After completing the 7-hour training program, harm reduction workers were able to deliver drug checking without need for on-site drug checking technicians. The short duration of the training and its demonstrated success with the Distributed Model of Drug Checking make this a promising approach for expanding the reach of drug checking services.
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 | 0,015 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».