Cannabis-Legalisierung in Kanada: Kriminologisch relevante Daten und Entwicklungen
Bibliographic record
Abstract
Zusammenfassung Kanada legalisierte den nicht-medizinischen Konsum, die Produktion und den Verkauf von Cannabis 2018. Vorgestellt wird eine Zusammenfassung von Literatur und Daten zu den Folgen der Cannabislegalisierung in Kanada in den Bereichen cannabisbezogene Kriminalität, Fahren unter dem Einfluss von Cannabis und Auswirkungen der Legalisierung auf Beschaffungspraktiken. Die Daten resultieren aus einer gezielten Suche in wissenschaftlichen Veröffentlichungen sowie „grauer Literatur“. Die Ergebnisse belegen, dass auf Cannabisbesitz bezogene Straftaten erheblich zurückgegangen sind; dagegen ist weniger bekannt zu Strafverfolgungspraktiken im Falle von Verstößen gegen die verbleibenden Cannabisstraftatbestände. Die Prävalenz von Fahren unter Cannabiseinfluss scheint auf der Grundlage von Befragungen und Selbstberichtsuntersuchungen leicht zurückgegangen zu sein. Demgegenüber werden vermehrt Strafverfahren wegen Fahrens unter Cannabiseinfluss durchgeführt, ferner hat der Anteil festgestellten Cannabiskonsums anlässlich von Verkehrsunfällen zugenommen. Dies mag mit verstärktem Risikobewusstsein zusammenhängen. Die Daten implizieren weiterhin eine signifikante Schrumpfung des Cannabisschwarzmarkts. Jedoch liegen nur wenig Daten zur Entwicklung und den Ausformungen der illegalen Cannabisproduktion und des illegalen Handels unter Bedingungen der Legalisierung vor. Allerdings bestehen Hinweise auf Verschiebungs- bzw. Anpassungseffekte. Unter Berücksichtigung verfügbarer Daten und bei Feststellung der Notwendigkeit für eine Ausweitung der Forschung in relevanten Bereichen beobachten wir erhebliche Rückgänge in ausgewählten Kriminalitätsindikatoren nach der Legalisierung von Cannabis in Kanada. Diese Beobachtungen müssen in übergreifenden und integrierten Bewertungen – der sich international weiterverbreitenden – Politikoption der Cannabislegalisierung eingebracht werden.
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 | 0.010 | 0.055 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.011 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.018 | 0.003 |
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".