Police-Reported Impaired Driving After Recreational Cannabis Legalization in Canada
Notice bibliographique
Résumé
INTRODUCTION: When Canada legalized recreational cannabis in 2018, it also enhanced enforcement against impaired driving. This observational study analyzed how police-reported impaired driving rates evolved after those 2 policy changes. METHODS: The study analyzed province-level annual counts of driving impaired by alcohol, drugs (including but not limited to cannabis), or both during 2009-2023. The data were published in 2024 and analyzed in 2025. Interrupted time-series regressions tested for changes in annual impairment rates per million population aged ≥16 years after 2018. Further regressions tested whether the changes were associated with legal cannabis sales, cannabis use prevalence, police drug recognition expert employment, or COVID-19 pandemic restrictions. RESULTS: During 2009-2018, alcohol-related impaired driving rates were decreasing, whereas those involving drugs were increasing. During 2019-2023, police reported 65 (95% CI=36, 93) extra drug-impaired incidents per million population annually or 42% more than the 2009-2018 trend had projected. Police also reported 280 (95% CI=134, 425) extra alcohol-impaired incidents per million population annually or 17% more than projected. New offenses covering mixed alcohol and drug impairment or unspecified-substance impairment added more incidents. Drug-impaired incidents were positively associated with drug expert employment, pandemic restrictions, and licensed cannabis sales (p<0.05). Alcohol-impaired incidents were positively associated with drug expert employment but negatively with pandemic restrictions (p<0.05). CONCLUSIONS: Canada's police-reported impaired driving rates increased after 2018 for alcohol and more so for drugs. The changes seemed associated more with enhanced enforcement and pandemic disruptions rather than with legal cannabis sales or overall 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 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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».