Randomized Trial Shows Smartphone Support App for DWI Offenders and Their Families Reduced Alcohol Use and Ignition Interlock Device Lockouts
Notice bibliographique
Résumé
Objective: Driving while intoxicated (DWI) remains a preventable source of morbidity and mortality in the United States. Ignition Interlock Devices (IID) are used to prevent DWI offenders from driving while intoxicated during a mandated installation period and are effective during that time. Once IIDs are removed, DWI rates are similar to levels of offenders who had no IID. This study tested the efficacy of a smartphone app (B-SMART) for DWI offenders with an IID and Concerned Family Members (CFMs), with the goal of reducing IID lockout events and alcohol consumption. Method: Four B-SMART app modules were developed: 1) Life with Interlock, 2) Supporting Changes in Drinking, 3) Doing Things Together, and 4) Effective Communication. Participants (pairs of DWI offenders and CFMs) were randomly assigned to receive the B-SMART app (n=58) or referral to a state IID information page (Usual and Customary - UC condition, n=65) and followed for 9 months post-randomization. IID data (failed tests and lockout events) were obtained from IID providers as the primary outcome variables. Offender and CFM reports of alcohol consumption in the last 30 days prior to assessment were secondary measures. Results: IID data were collected on 62% (N=76) of participants. B-SMART participants had significantly fewer lockout events than UC participants. B-SMART offenders and their CFMs reported significantly less likelihood of DWI offender drinking at 9-months. Conclusions: Results suggest the B-SMART app reduced IID lockout events and DWI offender alcohol consumption. These outcomes are important because fewer IID lockout events predict lower DWI recidivism.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».