Les habitudes alimentaires des usagers de cannabis : mieux les comprendre pour mieux intervenir
Bibliographic record
Abstract
Bien que le cannabis ait gagné en popularité dans la littérature scientifique, les publications en lien avec l’alimentation sont peu nombreuses. Cet article se veut de fournir une vue d’ensemble sur les répercussions possibles du cannabis sur l’alimentation pour outiller les nutritionnistes dans leur pratique. Dans le cadre d’un travail dirigé universitaire, une analyse socioécologique des habitudes alimentaires de l’usager de cannabis, à l’appui d’un modèle, a été réalisée. Le cannabis exerce une influence sur les habitudes alimentaires. La grande majorité des déterminants identifiés sont d’ordres individuels et résultent des effets physiologiques du cannabis sur l’organisme. Citons notamment l’appétit, les symptômes gastro-intestinaux, les signaux de faim et de satiété, la palatabilité́ et la valeur hédonique de certains aliments. D’autres paliers d’influence ont été identifiés mais nécessitent d’être validés à travers davantage d’études. Les répercussions du cannabis sur les habitudes alimentaires des usagers sont principalement reliées aux effets physiologiques qu’il entraîne sur l’appétit, le système de récompense, le système nerveux central et le système gastro-intestinal. Le portrait dressé dans cet article découle des études pharmacologiques et médicales pouvant contribuer à une vision réduite des habitudes alimentaires des usagers de cannabis. Les déterminants plus systémiques des habitudes alimentaires des usagers de cannabis doivent être étudiés davantage dans des études futures.
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 | 0.005 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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.
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".