Evaluating risks, monitoring cannabis use, and planning to get home safely: Exploring self-regulation processes associated with cannabis use and driving
Notice bibliographique
Résumé
OBJECTIVE: Preventing Cannabis-impaired driving involves understanding how users assess risk, monitor their use, and plan to get home safely. While extant research has shown substantial heterogeneity in patterns of cannabis use among different user groups, far less research has examined self-regulation among users. The current study aims to identify sub-groups of individuals who used or have used cannabis based on how they perceive risks, monitor their impairment, and plan to avoid driving under the influence of cannabis (DUIC) to examine how the different profiles relate to DUIC outcomes. METHODS: = 13.67; 63% female). Risk perception, impairment monitoring, planning ability, DUIC-related behaviors, Cannabis use and related problems were assessed through an online self-reported survey. RESULTS: Latent profile analysis identified three groups of self-regulators based on their level of risk perception, monitoring, and plan to avoid DUI. The majority (51%) of participants showed moderate self-regulation with average levels of risk perception, monitoring, and planning. A "highly self-regulated" group (20%) had the highest risk perception, monitoring, and planning. A "low self-regulated" group (29%) had the lowest risk perception, less confidence in monitoring, and lower DUI planning. There were significant differences between the profiles and DUIC outcomes. Cannabis users (including both historical and current users) with high self-regulation were less likely to be passengers of drivers under the influence and more likely to intervene to stop friends from driving while impaired, compared to those with low or moderate self-regulation. However, there were no profile differences in reports of having ever driven under the influence of cannabis. CONCLUSIONS: Differences in risk perception, monitoring, and planning are associated with self-regulatory abilities. Understanding diverse self-regulation patterns among people who have used cannabis can help identify and mitigate risky behaviors, including DUI.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».