Cannabis Use Characteristics and Reasons for Product Choices Among Patients Accessing Treatment for Substance Use Disorders: A Mixed-Methods Study
Notice bibliographique
Résumé
Objective: The diversity and potency of cannabis products have increased in recent years, underscoring the importance of understanding which products are being used and why. Patients with substance use disorders (SUDs) use have a high prevalence of risky cannabis use, making it especially important to understand use patterns in this group. We aimed to first describe cannabis product characteristics and then explore reasons for choosing products in our sample. Method: In this mixed-methods study, 472 adults who self-reported accessing SUD treatment and lifetime cannabis use completed an online survey. A subset of 22 participants completed in-depth interviews. Quantitative results focused on describing cannabis use characteristics (e.g., product types) among participants reporting past-year cannabis use (current use group) or lifetime cannabis use but no use in past year (past use group), while qualitative descriptive analysis was used to describe reasons for choosing products among participants who were currently using cannabis. Results: Across medical and non-medical use of cannabis, dried flower and smoked cannabis formulations were most used (e.g., 89% of the current use group reported smoking cannabis for non-medical purposes), followed by edibles (e.g., 53% of the current use group used edible formulations of cannabis for non-medical purposes), though there was considerable use of higher-potency products such as concentrates and dabs (e.g., 11% of the current use group had used dabs for non-medical purposes). Our qualitative analysis found that almost all participants were motivated by THC content when purchasing products, yet sometimes perceived medical benefits or harm reduction were reasons for using certain products (especially CBD-dominant products), while sometimes other factors (e.g., convenience, familiarity) were influential. Conclusions: Cannabis use characteristics (including motives for choosing products) are complex and nuanced in patients accessing SUD treatment. More work is needed to understand longitudinal relationships between use of different cannabis products and both harms and potential benefits.
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) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».