A N-of-1 social network approach to study the social dynamics of alcohol consumption
Notice bibliographique
Résumé
Introduction: The aim of this study was to investigate how the dynamics of the social environment impacted the alcohol consumption of individuals who self-identified as heavy drinkers. Methods: A mixed methods approach including N-of-1 study with daily Ecological Momentary Assessment (EMA) followed by a social network egonet interview. Qualitative data was analysed using deductive and inductive approaches. The main quantitative outcomes were a number of social contacts and the supportiveness of social networks. Results: Fifteen participants provided sufficient EMA data regarding social contact and six of these took part in the egonet interviews. EMA respondents reported 10.8 social contacts on average and rated approximately half of their networks as positive supports; approximately 10% of each respondents' networks were perceived as 'drinking a lot'. Interview data illustrated the influence of peer and family networks; stress; motivation levels; and coping strategies within the context of the social world. EMA and egonet methods proved feasible with this specific population demonstrating the utility of innovative approaches to study dynamic social contexts related to substance use. Discussion: Respondents either drew upon their social resources and implemented strategies to support behaviour change or experienced social strain and poor mental health in the absence of supportive social strategies. Future research should explore how social networks can impact maintaining non-drinking status and accessing supports. Mixed methods research combining N-of-1, EMA, and egonets can provide novel insights into social dynamics.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».