Cross-sectional analysis of cannabis use at work in the USA: differences by occupational risk level and state-level cannabis laws
Notice bibliographique
Résumé
Objective: To examine the prevalence of workplace cannabis use, including by state-level cannabis laws, occupational risk and medical cannabis use. Methods: Data are cross-sectional from wave 6 (2023) of the International Cannabis Policy Study (ICPS) and include 26 458 respondents aged 16-65 years from the USA. Separate regression models were run analysing workplace cannabis use across: (1) state-level cannabis laws and occupational risk, (2) reasons for cannabis use and (3) medical cannabis authorisation. All models were adjusted for sociodemographic characteristics. Results: Overall, 7.4% of workers and 21.5% of past 12-month cannabis consumers reported using cannabis at or within 2 hours of starting work in the last 30 days. Workplace cannabis consumption was highest among workers in states with 'recreational' cannabis laws (8.5%) compared with states with medical (6.3%; adjusted OR (AOR)=1.45, p=0.006) or illegal laws (6.2%; AOR=1.06, p=0.005). Workers in high-risk jobs were more likely to use cannabis at work (11.4%) than those in lower risk jobs (5.8%; AOR=1.58, p<0.001). Workplace cannabis use was also greater among cannabis consumers who use cannabis for medical versus recreational (29.4% vs 15.6%; AOR=2.35, p<0.001) or mixed reasons (24.2%; AOR=1.78, p=0.007); the same was true for consumers who reported having medical cannabis authorisation (39.0%) versus those without authorisation (17.4%; AOR=2.66, p<0.001). Conclusions: Reported cannabis use at work was most prevalent in states with recreational legalisation, particularly among individuals with medical cannabis authorisation and those who work higher risk jobs. Longitudinal research should examine the individual and occupational-level factors associated with workplace 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 ».