Substance misuse prevention among School Aged students
Notice bibliographique
Résumé
Problem School aged children are particularly at higher risk for mental health and substance misuse related problems, more so since COVID 19 epidemic. Environmental risk factors have been identified by SAMHSA such as poverty, divorce, peer drug use, early aggressive behavior among many others, are cumulative over a person’s lifetime with respect to behavioral health. As risk factors accumulate and protective factors correspondingly decrease, children experience higher rates of substance misuse, depression, anxiety, and self-harm. Literature Review The literature review covers two main topics: effectiveness of prevention programs; schools-community partnerships. Peer education models have had success with enhancing student knowledge about addiction as well as increasing levels of self-efficacy perception. One example of a successful partnership is the FACES program in Ontario. Results from the program showed a positive impact on community engagement for participating stakeholders, as well as a smoother transition for the children. Program Implementation and Evaluation Methodology 9 KSU students were trained in in SPF (Strategic Prevention Framework) model, Mindfullness and Sources of Strength. Two schools with very diverse student populations were selected to partner with KSU for these three interventions. Students from one school were trained in SPF and Mindfullness; students from the second school were trained in SPF and Sources of Strength. This presentation will provide an overview of the pre-post test results from the SPF training since the post-test from Mindfullness and Sources of Strength will occur in May. Also, the presentation will provide an overview of the partnership and action-based research.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».