Bibliographic record
Abstract
Dans le cadre d’une décision politique majeure, le Canada a légalisé le cannabis récréatif en octobre 2018. Cependant, les provinces ont mis en œuvre cette légalisation différemment. L’Ontario par exemple a ouvert des magasins de cannabis beaucoup plus tardivement que les autres provinces, et les données de vente au détail indiquent que cette situation a eu une incidence sur le comportement des consommateurs. J’utilise cette variation exogène dans l’accès au cannabis légalisé, combinée à des données de patients de grande taille provenant d’une chaîne de cliniques de cannabis à usage médical opérant dans plusieurs provinces afin de contribuer à la compréhension de la baisse observée dans la vente du cannabis à usage médicinal et la croissance significative du cannabis médicinal produit individuellement. Après la légalisation, l’achat du cannabis médicinal a moins diminué en Ontario que dans les provinces où l’accès est plus élevé. Cependant, je ne trouve aucune preuve permettant d’affirmer que la légalisation a modifié les tendances dans la composition des acheteurs de cannabis médicinal en fonction du sexe, de l’âge ou de l’état de santé. Cette preuve concorde avec un mésusage minimal du système de cannabis à usage médical et, par conséquent, ne corrobore pas les politiques plus restrictives concernant l’achat de cannabis médicinal. Cependant, l’augmentation substantielle de la culture personnelle de cannabis à des fins médicales pourrait devenir une priorité politique à l’avenir.
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 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.008 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.020 | 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".