Relations entre l’usage de cannabis et la conduite automobile dangereuse
Bibliographic record
Abstract
La prévalence de l’usage du cannabis et celle de la conduite sous l’influence du cannabis présentent une évolution à la hausse au Canada. En conséquence, il importe d’étudier les effets délétères de cette substance psychoactive (SPA) sur la sécurité routière. La présente étude a pour objectif d’évaluer les liens entre l’usage de cannabis et la conduite automobile dangereuse auprès d’un échantillon de conducteurs québécois. Des analyses de régressions linéaires hiérarchiques mettent en évidence l’importance de l’usage de cannabis comme facteur de prédiction de la prise de risque sur la route et de l’agressivité au volant, même après le contrôle statistique de l’âge, du genre et de l’exposition à la conduite. Des analyses de régressions logistiques indiquent que l’usage de cannabis est associé à une augmentation du risque de recevoir une contravention découlant d’une infraction au Code de la sécurité routière. De plus, il semble que l’usage occasionnel de cannabis chez les individus âgés de 35 ans et plus est associé à un risque plus élevé d’être impliqué dans une collision. L’ensemble des résultats indique que l’usage de cannabis et la conduite automobile dangereuse sont interreliés, ce qui appuie la théorie du comportement « à problèmes ».
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".