Prevalence and predictors of self-reported alcohol abuse and its association with other mental health conditions in the residents of Fort McMurray after multiple traumas
Notice bibliographique
Résumé
INTRODUCTION: People consume and abuse alcohol for varied reasons. Problematic alcohol use is associated with mental and physical health risks, while people exposed to multiple traumas may be more vulnerable to abusing alcohol. OBJECTIVES: To evaluate the prevalence and predictors of self-reported alcohol abuse among residents of Fort McMurray and explore the correlates of self-reported alcohol abuse with some mental health conditions. METHODS: A cross-sectional study adopted an online questionnaire. Sociodemographic data, trauma exposure, and clinical characteristics were collected to identify the predictors of self-reported alcohol abuse. Data were analyzed using SPSS version 25 using cross-tabulations and logistic regression analysis. RESULTS: Two hundred and forty-nine individuals received the survey link, of which 186 completed the survey, with a response rate of 74.7%. Most participants were females exposed to COVID-19 and either wildfire or flooding traumas. The prevalence of self-reported alcohol was 27.4%. Participants who desired mental health counselling were likely to self-report alcohol abuse (OR=3.017; 95% CI: 1.349-6.750). There was a significant association between self-reported alcohol abuse and self-rated moderate to high depression (X (2) = 4.783; p = 0.033) and anxiety symptoms (X (2) = 4.102; p = 0.047), and suicidal ideations or thoughts of self-harm (X (2) = 13.536; p = 0.001). CONCLUSIONS: Self-reported alcohol abuse is correlated with suicidal ideations, the desire to receive mental health counselling, and anxiety and depression symptoms. Therefore, initiatives to minimize mental health disorders are crucial to reducing alcohol abuse and promoting health among vulnerable populations. DISCLOSURE OF INTEREST: None Declared
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».