Usages des médicaments à des fins non médicales chez les adolescents et les jeunes adultes : perspectives empiriques
Bibliographic record
Abstract
Une recension des travaux portant sur l’utilisation des médicaments à des fins non médicales par les adolescents et les jeunes adultes indique que les pratiques touchant le dopage sportif, l’amélioration des performances, intellectuelles et sexuelles de même que le contrôle des humeurs, le modelage corporel sont en augmentation. Le recours à ces médicaments est souvent associé à la consommation d’autres substances (alcool et drogues) et semble témoigner d’une nouvelle phase dans l’évolution des toxicomanies modernes. Cet ensemble d’études reste néanmoins limité à cause de la prédominance des approches épidémiologiques. Celles-ci contribuent à cerner le profil des utilisateurs, le plus souvent des garçons. La liste des substances employées et leur fréquence d’usage permettent de dégager les facteurs et les déterminants principaux de l’utilisation. Néanmoins, peu d’études adoptent des approches théoriques explicites. De nouvelles pistes de recherche sont ainsi proposées, lesquelles permettraient une évaluation plus précise des conduites et des représentations associées aux pratiques d’abus, de dopage et de détournement des médicaments et de leurs significations.
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 | 0.006 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".