MétaCan
Menu
Back to cohort
Record W2971570431 · doi:10.7202/1061962ar

Portait de la consommation de substances psychoactives chez les adolescents atikamekw

2019· article· fr· W2971570431 on OpenAlexaffvenue
Chantal Plourde, Jocelyne Pronovost, Marc Alain, Catherine Arseneault, Jenny Laperrière

Bibliographic record

VenueRevue de psychoéducation · 2019
Typearticle
Languagefr
FieldMedicine
TopicSubstance Abuse Treatment and Outcomes
Canadian institutionsUniversité du Québec à Trois-Rivières
Fundersnot available
KeywordsHumanitiesPolitical sciencePsychologyPhilosophy

Abstract

fetched live from OpenAlex

Cet article présente les résultats quantitatifs d’une étude portant sur les habitudes de consommation de substances psychoactives (SPA) menée en 2007-2008 auprès d’adolescents dans deux communautés atikamekw. L’étude a été réalisée en milieu scolaire secondaire ; les données proviennent de 172 répondants qui ont accepté de remplir la grille de dépistage de la consommation problématique d’alcool et de drogues chez les adolescents (DEP-ADO). Les résultats indiquent une consommation d’alcool et/ou de drogues importante, qui débute de manière précoce et que l’on peut considérer comme étant problématique pour bon nombre de ces jeunes. Plusieurs disent vivre des conséquences négatives importantes reliées à leur consommation. Bien que peu de différences entre les sexes ressortent de nos résultats d’un point de vue statistique, les jeunes filles sont plus nombreuses à boire de façon excessive et vivent davantage de conséquences négatives du point de vue de leur santé physique et psychologique. Enfin, nos résultats indiquent que très peu de jeunes se tournent vers des ressources d’aide professionnelles pour faire face à leur problème de consommation. Cette étude met en évidence l’importance de la prévention et du dépistage dans les programmes touchant la toxicomanie chez les jeunes.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Insufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.034
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0000.000
Scholarly communication0.0000.000
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0010.001

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.

Opus teacher head0.020
GPT teacher head0.326
Teacher spread0.306 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2019
Admission routes2
Has abstractyes

Explore more

Same venueRevue de psychoéducationSame topicSubstance Abuse Treatment and OutcomesFrench-language works237,207