Illegale Opiatsucht, Behandlung und ökonomische Kostenforschung - ein beispielhafter Überblick und eine Diskussion aus sozialwissenschaftlicher Perspektive
Bibliographic record
Abstract
Kostenforschung ist sowohl im breiten Gesundheits- als auch im Suchtbereich in den letzten Jahren eine wichtige Perspektive geworden. Im illegalen Drogenbereich bietet sich aus sozialwissenschaftlicher Warte ein beispielhafter Überblick zum Stand und Beitrag der Kostenforschung für das Phänomen der Opiatsucht und ihrer Behandlung an. Aus einer Forschungsperiode von fast dreißig Jahren geht konsequent und klar hervor, dass der Großteil der durch illegale Opiatsucht bedingten sozialen Kosten mit Kriminalität bzw. der Strafverfolgung zusammenhängt. Im Behandlungsfeld wird dagegen gezeigt, dass die vorherrschenden Opiatbehandlungsmodi - vor allem Substitutionsbehandlung - positive Kosten-Nutzen-Effekte erzielen. Die komplexe Herausforderung scheint nun aber die Bedeutung und Anwendung dieser scheinbar klaren Wissensstände und ihrer Determinanten auf die Praxis der Opiatkontroll- oder Behandlungspolitik zu sein. Bisher dokumentierte Kostendynamiken in der Opiatsucht und ihrer Behandlung kämpfen mit dem Problem, dass sie a) in einem sozial konstruierten Umfeld der Illegalität wirken, b) aus spezifischen Forschungsperspektiven hervorgehen und daher nicht auf Allgemeinpopulationen generalisierbar sind und c) in ihrer gegenwärtigen Form wenig zum Bau eines optimierten Behandlungssystems beitragen.
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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.000 |
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".