Is Education Regulation the Solution to Help Lower Substance Use Rates and Substance Use Disorder in Oregon Youth?
Notice bibliographique
Résumé
How can we lower Oregon’s youth substance use disorder (SUD) and overdose rates? Oregon is third in the country for SUD, with 5.77% of adolescents (12-17) having documented SUD. Some claim that it is because of the decriminalization of drugs, like Senator Art Robinson, but another reason relies on how we are educating Oregon youth. Oregon education standards outline requirements for drug and alcohol education as well as Senate Bill 238. By analyzing school districts current prevention programs in high overdose-rate counties (Multnomah, Lane, and Josephine) and low overdose-rate counties (Washington, Yamhill, Linn, Deschutes, Marion, and Clackamas), a lack of quality of education and resources was found. Due to this, a new standard of operations needs to be created that incorporates science-backed education, mental health services, life-skill development, and the creation of an oversight committee. Bardach’s Eightfold Path was used to develop this policy outline having three different outcome options: low (no change), medium (education change), and high (education and resource change), each evaluated on three parts of William Dunn’s evaluative criteria. The strongly preferred option for Oregon schools is the highest prevention measure due to it having the greatest impact on Oregon’s youth futures and current SUD epidemic.
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 | 0,001 |
| 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 | 0,002 |
| 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 ».