Substance use patterns among adolescents with health conditions and disabilities in British Columbia: a complex sample latent class analysis
Notice bibliographique
Résumé
Adolescent substance use is a significant public health concern. In Canada, youth between 15 and 24 years had the highest rate of substance use compared to other ages and between 22.3% and 37% of youth reported recent substance use. We investigated whether patterns existed in alcohol, tobacco, marijuana, and drug use among adolescents with assorted self-reported health conditions and/or disabilities (HCD) in British Columbia, Canada. We also explored the sociodemographic characteristics or ‘profiles’ of adolescents in each HCD group. We used latent class analyses (LCA) on province-wide complex-sample data of 243,645 adolescents (population estimated from weighted sample data, including 119,358 male, 123,250 female, 1037 gender missing) from the McCreary Centre Society’s 2018 British Columbia Adolescent Health Survey (BCAHS). LCA aimed to identify the optimal number of latent classes and the associated patterns within each HCD group. Results indicated that a four-class model was the best fit: No Substances, Alcohol Only, Alcohol and Marijuana, and All Substances. No Substances accounted for a major part of subpopulation in each HCD group. Three other classes accounted for a minor part of subpopulation with approximately equal percentages. Three HCD groups (Mental or Emotional, Learning Disability and 2+ Conditions) showed a relatively low percentage of No Substances and a relatively high percentage of both Alcohol and Marijuana and All Substances. Findings showed that substance use among adolescents with HCD had unique patterns and that certain HCD groups were more apt to use substances over others. We hope the findings from this study guide the creation of substance use prevention programs for youth with HCD.
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 ».