Sharing drug checking results in a Canadian setting: a multi-site analysis
Notice bibliographique
Résumé
BACKGROUND: Drug checking services (DCS) have been implemented as a harm reduction measure to address high rates of illicit drug morbidity and mortality. In addition to reducing individual-level risk, there is also potential for DCS users to increase community level awareness of drug market conditions through sharing of drug checking results. However, little is known about the patterns of information sharing among people who use DCS. METHODS: Data were derived from a cross-sectional study conducted at 22 community harm reduction sites offering DCS across British Columbia (BC) between March 2021 and July 2024. Two variable selection methods - backwards stepwise selection and elastic net regularization - were used to fit models which explored the relationships between select socio-demographic characteristics, drug use patterns and experiences with drug checking with the main outcome measure: sharing drug checking results. RESULTS: 516 participants were included in the study (34 % women, median age 42); 274 (53 %) reported that they shared their drug checking results. Factors significantly and positively associated with sharing results in multivariable logistic regression analysis using both selection methods included: drug dealing, using DCS more than once, stable employment and white ethnicity. Among participants who reported they shared their drug checking results, 66 % reported sharing results with friends and family and 28 % reported sharing results with their drug dealer. CONCLUSION: This study revealed that over half the study sample shared their drug checking results with others, with results sharing being positively associated with recent drug dealing, frequent DCS utilisation, employment and ethnicity. Drug checking results were most often shared with friends, family and drug dealers. These findings extend the evidence base of DCS as a harm reduction tool by demonstrating how engagement with DCS facilitates information dissemination amongst drug market actors.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,006 | 0,019 |
| Études des sciences et des technologies | 0,009 | 0,002 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».