Outdated tools, underestimated harm: Modernizing cannabis surveillance in a post‐legalization era
Notice bibliographique
Résumé
BACKGROUND: Canada's 2018 legalization of non-medical cannabis was positioned as a public health initiative, intended to shift cannabis use from criminalization to regulation. Since then, cannabis access and consumption have grown significantly but the systems used to monitor cannabis-related harms have not kept pace. Most national surveys remain focused on patterns of use rather than indicators of harm. Cannabis use disorder (CUD), a clinical condition with well-established diagnostic criteria, remains rarely measured, often misclassified, and largely absent from policy discussions. ARGUMENT: Canada's current surveillance tools are not equipped to detect or track CUD. Major national surveys rely on outdated DSM-IV frameworks, use skip logic that excludes individuals with lower levels of use, and fail to assess key symptoms such as loss of control, functional impairment, or withdrawal. The primary mental health surveillance tool does not align with DSM-5 standards. Administrative health records often obscure CUD due to underdiagnosis, inconsistent coding practices, and the absence of validated case-finding tools. High-risk populations are often excluded from survey samples. As a result, CUD is underdetected, undertreated, and underfunded across Canada's healthcare and policy systems. CONCLUSION: Canada urgently needs a modernized surveillance infrastructure that reflects current diagnostic standards, improves the sensitivity of survey tools, incorporates equity metrics, and enables the reliable detection of cannabis use disorder in clinical data.
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 | 0,000 | 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 ».