Characteristics of in-patient versus out-patient drop outs in addiction treatment / Michael Bryson. --
Notice bibliographique
Résumé
The relative merits of in-patient and out-patient treatment of \nsubstance abuse have been widely debated. For severe, chronic \nclients, the best form of treatment may be intensive in-patient \ncare. Less severe clients may fare better with out-patient \ntreatment. \nRegardless of the type of treatment, clients' drop-out rates \nare high. Since the client may be three times as likely to be free \nfrom drugs one year later if they complete treatment, serious \nattempts need to made to determine the factors affecting client \ndrop-out. \nThe research examined this issue by means of an archival \nsearch of client records from the Lakehead Addiction Centre \ntreatment program at the Lakehead Psychiatric Hospital (LPH) in \nThunder Bay, Ontario. The demographic, personality, and social \nstability characteristics related to drop-out of clients who had \nattended either the in-patient or out-patient program were \nexamined. Treatment drop-outs were studied for 98 \nout-patients and 406 in-patients. \nThis study confirms research which found a high rate of early \nattrition from treatment for substance-abusing clients. The \nresults indicate that treatment completers in either program \ndiffered significantly from non-completers by: patient type \n(P<0.05), use of LSD (P<0.01), and treatment mandated (P<0.05). \nOut-patients had significantly more completers. This may be due to \nthe significant differences between in-patient and out-patient attenders. These differences included: social support (P<0.01), \nattendance at AA/NA (P<0.01), and maximum drug intake per day or \nbinge (P<0.05). Natives were found to be significantly more likely \nto drop-out of either treatment (P<0.01).
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 | 0,001 | 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) | 0,022 | 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 ».