Temporal Trends in Young Adult Cannabis and Tobacco Use in States with Different Cannabis Policies
Notice bibliographique
Résumé
Objective: Cannabis legalization may impact both cannabis and tobacco use, given the high prevalence of co-use (including blunt use) among young adults (YAs) in the United States. The objective of this descriptive ecological study was to examine trends in YA cannabis and tobacco use from 2002-2018 in states that passed adult and medical use (AMU) or medical use only (MUO) cannabis laws during that time (N = 16). Method: Using data from the National Survey on Drug Use and Health, we conducted a segmented regression analysis to calculate absolute percent change in past 30-day cannabis, blunt, cigarette, and cigar use between time points. We descriptively compared points of slope inflection with key legalization dates. Results: All states showed a decline in YA cigarette smoking over time, a slight decline in cigar smoking, and increases in cannabis and blunt use. Cannabis use increased following opening of MUO retail outlets and, in several states, increased following adult use law implementation and/or opening of retail outlets. For example, in Maine, cannabis use plateaued after a MUO law was adopted (2009) until about 1-2 years after retail outlets opened (2011), when YA cannabis use increased by 22.4% (95% CI: 19.0, 29.4) and continued increasing steadily after adult use was adopted (2017). Conclusions: Cannabis and blunt use increased more in states where AMU laws were in place compared to those with MUO laws, though causality was not assessed. Varying trends may correlate with cannabis policies, tobacco policies and other political, economic, or social factors at the state level.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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 ».