Characteristics of adolescent cannabis use and social context predicting problematic use: A decision tree analysis
Notice bibliographique
Résumé
Identifying characteristics of adolescent cannabis use and the surrounding social context that may predict problematic use is important for delivering harm-reduction approaches in both clinical and public health settings. We used a decision tree analysis to identify combinations of various use characteristics (e.g., frequency, mode, duration, initiation age, polysubstance use) and social context risk factors (e.g., peer and household use, solitary use, ease of access) characterizing the highest risk groups for three indicators of problematic use (unsuccessful quit attempt, excessive use, feeling addicted). We analyzed data from 8,915 cannabis ever-users from a large sample of secondary school students (mean age 15.5) in Québec, Canada, who completed the COMPASS survey. Using cannabis at least 2-4 times per month was the most important predictor of problematic use and independently characterized the highest risk groups. Initiating use before age 14 and engaging in solitary use also predicted increased problematic use risk among adolescents whose sustained past-year use did not meet the 2-4 times per month threshold. No sociodemographic differentiation emerged among high-risk groups. When screening for risky cannabis use or promoting safer cannabis behaviours among adolescents, health care providers and public health groups should consider factors with the greatest potential to influence detrimental trajectories among this age group.
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) | 0,001 | 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 | 0,000 | 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 ».