Descriptions of the relevancy criteria.
Notice bibliographique
Résumé
<div> Background In Canada, cannabis legalization altered the way that the public can access cannabis for medical purposes. However, Canadians still struggle with finding healthcare professionals (HCPs) who are involved in medical cannabis counselling and authorization. This raises questions about the barriers that are causing this breakdown in care. Our study explored the perceptions of primary care providers regarding cannabis in their practice. Methods Semi-structured interviews were conducted by Zoom with HCPs in Newfoundland and Labrador (NL) to discuss their experiences with medical and non-medical cannabis in practice. Family physicians and nurse practitioners who were practicing in primary care in NL were included. The interview guide and coding template were developed using the Theoretical Domains Framework (TDF). A thematic analysis across the TDF was then conducted. Results Twelve participants with diverse demographic backgrounds and experience levels were interviewed. Five main themes emerged including, knowledge acquisition, internal influences, patient influences, external HCP influences, and systemic influences. The TDF domain resulting in the greatest representation of codes was environmental context and resources. Interpretation The findings suggested that HCPs have significant knowledge gaps in authorizing medical cannabis, which limited their practice competence and confidence in this area. Referring patients to cannabis clinics, while enforcing harm-reduction strategies, was an interim option for patients to access cannabis for medical purposes. However, developing practice guidelines and educational resources were suggested as prominent facilitators to promote medical cannabis authorization within the healthcare system. </div>
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 | 0,000 |
| 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) | 0,203 | 0,009 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».