Preliminary efficacy of ‘high-alert’ a brief smartphone intervention to reduce Cannabis-impaired driving among youth: A pilot randomized controlled trial
Notice bibliographique
Résumé
Introduction Driving under the influence of cannabis (DUIC) is a growing public health concern, particularly among young drivers. This pilot study explores the short-term preliminary efficacy of High Alert, a brief smartphone intervention designed to reduce DUIC among youth. Methods An online pilot randomized controlled trial was conducted with 102 youth aged 18–24 who had a history of DUIC (≥3 times in the past 3 months). Participants were randomized into three groups: High Alert (n = 37), Active Control (n = 34), or Passive Control (n = 31). High Alert included two web-based sessions on cannabis and DUIC education. The Active Control received a single session reviewing six DUIC-related infographics, while the Passive Control received no intervention. The primary outcome was self-reported DUIC incidents (alone or with other substances) over 3 months, assessed at baseline and 3-month follow-up. Results Among the 52 participants who completed the 3-month follow-up (High Alert: n = 16; Active Control: n = 16; Passive Control: n = 20), High Alert showed the greatest mean reduction in DUIC incidents (-7.44, Cohen’s d = -0.40), compared to Active Control (-3.62, d = -0.49) and Passive Control (-3.05, d = -0.38). The reduction was statistically significant compared to Passive Control (β = -0.61, p = .03), but not Active Control (β = -0.08, p = .781). Conclusions Preliminary findings suggest that High Alert may show promise in reducing self-reported DUIC behaviours compared to a no-contact control group, but additional research with larger samples and longer follow-ups is needed. ClinicalTrials.gov registration NCT06098573 .
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».