Risk Perceptions Related to Driving After Use of Alcohol and Cannabis in a Cross-National Sample of University Students in 6 Countries
Notice bibliographique
Résumé
BACKGROUND: Cross-national comparisons of driving under the influence (DUI) of cannabis (DUIC) or DUI of alcohol (DUIA; ie, driving after consuming too much to drive safely) may inform policies and preventative measures, although research is currently limited. This cross-national study sought to compare the frequency of DUI, being a passenger with an impaired driver, and associated risk perceptions. METHODS: Secondary analyses of students from 6 countries (Argentina, Canada, England, Spain, South Africa, United States). Participants (n = 5167; 70% women; mean age 20.1 [SD = 3.7]) completed an online survey assessing past-year frequency of alcohol or cannabis-impaired driving and being a passenger with an impaired driver. Risk perceptions included the perceived threat to personal safety of impaired driving, and perceived likelihood of negative consequences (eg, being in an accident, stopped by police). Differences across countries were tested using chi-square tests with Bonferroni-corrected adjusted residuals for pairwise comparisons. RESULTS: Endorsement of impaired driving was generally low (<12%) across countries. Significant differences were found across countries in perceived threat to the safety of driving after using alcohol or cannabis. Compared to other countries, England and Spain rated DUIA as less of a threat, and Argentina rated DUIC as less of a threat. Perceived likelihood of consequences also differed across countries, potentially due to perceptions of reduced enforcement in some countries (eg, Argentina, South Africa). Finally, participants with a history of impaired driving and men in some countries were more likely to report more favorable risk perceptions (ie, lower threat and lower likelihood of consequences) than drivers who reported never driving impaired. CONCLUSIONS: These results offer preliminary evidence of cross-national differences in alcohol and cannabis impaired driving and associated risk perceptions, providing a foundation for future studies investigating causal factors such as legalization and enforcement of driving-related laws across countries.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».