Differences between co-users of cocaine and crack among Canadian illicit opioid users
Bibliographic record
Abstract
Unterschiede zwischen Ko-Gebrauchern von Kokain und Crack bei kanadischen Opioid-Konsumenten Fragestellung: Es wurden Unterschiede zwischen Ko-Gebrauchern von Kokain und Crack in einer kanadischen Kohorte illegaler Opioid-Konsumenten (»OPICAN«) untersucht. Methodik: Kohortenteilnehmer wurden durch Schneeball-Methoden rekrutiert und mittels eines standardisierten Instrumenten-Protokolls befragt. Prävalenzraten verschiedener Substanzen sowie Unterschiede zwischen ausgewählten Indikatoren und den beiden Subgruppen wurden bivariat geprüft. Ergebnisse: Zirka die Hälfte der Studienteilnehmer indizierten Ko-Konsum von Crack beziehungsweise Kokain. Erstere Gruppe zeichnete sich primär durch sozioökonomische Marginalisierung, zweitere durch eine höhere Prävalenz von Depression aus. Schlussfolgerungen: Ko-Gebraucher von Opioiden mit Kokain und Crack in Kanada können als distinkte Subkulturen mit spezifischen Risikofaktoren angesehen werden. Ausgewählte Implikationen für Interventionen werden angesprochen.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".