Exposure to cannabis marketing in the United States and differences by cannabis laws: Findings from the International Cannabis Policy Study
Notice bibliographique
Résumé
BACKGROUND: A growing number of US states have legalized adult "recreational" cannabis; however, there is little evidence on the impact of cannabis policies on cannabis marketing exposure to date. The current study examined marketing exposure in the US, including differences between states where cannabis is illegal ('illegal' states), legal for medical use ('medical'), and legal for recreational use ('recreational'). METHODS: Data are from the US component of the International Cannabis Policy Study: national repeat cross-sectional data from surveys conducted with 187,573 respondents aged 16-65 over 6 annual survey waves (2018-2023). Adjusted mixed effects logistic regression (GLIMMIX) models examined differences in self-reported exposure to cannabis marketing ('noticing') by state-level cannabis laws. RESULTS: Self-reported exposure to cannabis marketing differed across policy changes. Noticing cannabis marketing was lowest in illegal states and increased in the first 12-months following medical legalization (35.4 % vs. 39.2 %: AOR=1.16; 95 % CI=1.01-1.33; p = 0.034). Noticing marketing was highest in 'recreational' states, with increases in the first 12-months following legalization (50.0 % vs. 41.1 %: AOR=1.41; 95 % CI=1.34-1.48; p < .001), and additional increases 1-3 years (56.2 %: AOR=1.20; 95 % CI=1.14-1.25; p < .001) and 4 or more years following legalization (63.9 %: AOR=1.21; 95 % CI=1.16-1.27; p < .001). Noticing was highest among people who consume cannabis and younger ages. CONCLUSIONS: Self-reported exposure to cannabis marketing increases following medical and recreational legalization and is disproportionately noticed by underaged people. Cannabis regulations in 'legal' markets should account for marketing, which has been shown to promote cannabis use.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».