La politique américaine en matière de drogues et l’état des connaissances sur le cannabis
Bibliographic record
Abstract
L’impact du cannabis sur la santé est faible, comparativement aux drogues légales. Il n’y a pas de dose létale pour cette plante. Malgré la croyance populaire, elle ne réduit pas la motivation, elle n’incite pas à consommer des drogues dites dures et elle n’affecte pas la structure du cerveau. Son association aux maladies mentales suggère que les personnes qui souffrent de désordres psychotiques devraient éviter le cannabis de même que tous les psychotropes. L’usage chronique quotidien crée des problèmes potentiels sur la performance rapide des tâches complexes. Lors d’un usage chronique quotidien, il y a déviation des fonctions cérébrales – mais pas plus que celle observée chez les alcooliques. L’inhalation quotidienne de la fumée peut abîmer les poumons, mais les nouvelles techniques de vaporisation pourraient ne pas les abîmer. L’usage occasionnel par des adultes en santé ne crée pas de maladies. Un petit pourcentage d’usagers réguliers rapporte une dépendance au cannabis mais ce désordre ne semble pas aussi aversif que la dépendance à d’autres drogues. Le cannabis semble avoir moins d’effets négatifs sur la santé que les drogues légales comme l’alcool, la caféine ou le tabac et il tue moins de personnes. Les impacts négatifs des pénalités imposées à la possession de cannabis semblent dépasser les impacts négatifs de la drogue elle-même, suggérant que la politique anti-drogue des Etats-Unis pourrait être améliorée en décriminalisant la possession de cannabis et en permettant à chaque adulte de cultiver quatre plants pour son usage personnel. Cette nouvelle approche permettrait d’économiser des milliards de dollars sur l’application de la loi, sur le temps d’administration de la justice de même qu’un nombre incalculable d’irritants.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".