Les motifs de la conduite automobile après avoir consommé du cannabis : revue de portée et validation d’un outil psychométrique
Bibliographic record
Abstract
Contexte : La consommation de cannabis affecte les habiletés de conduite (Capler et al., 2017) et augmente significativement le risque d’accident (Asbridge et al., 2012). Malgré ces risques, 22 % des consommateurs canadiens ont rapporté avoir conduit dans les deux heures suivant sa consommation (Gouvernement du Canada, 2020). Connaitre les motifs de la conduite après avoir consommé du cannabis (CACC) est crucial pour développer des programmes de prévention efficaces visant à réduire la prévalence de ce comportement. Objectif : Le premier objectif est de rapporter et classer les motifs de la CACC mentionnés dans la littérature scientifique. Le deuxième objectif est de valider les propriétés psychométriques du Questionnaire des motifs de la conduite automobile après avoir consommé du cannabis (QMCACC). Méthode : Ce mémoire présente deux articles. Le premier article est une revue de portée des motifs de la CACC. Le deuxième article présente les analyses de validation du QMCACC. Un échantillon de 1 765 conducteurs canadiens a été utilisé pour tester la cohérence interne, la validité convergente/discriminante et la structure du questionnaire via une analyse factorielle confirmatoire. Résultats : La revue de portée a extrait 32 motifs de la CACC. Le QMCACC a une bonne cohérence interne, une validité convergente/discriminante adéquate et une bonne validité factorielle. Conclusion : Des messages efficaces de santé publique doivent être mis en oeuvre pour informer la population des risques de la CACC. Le QMCACC semble évaluer efficacement le concept d’intérêt et peut être utilisé pour contribuer aux efforts de prévention.
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 | 0.065 | 0.145 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.004 | 0.004 |
| Bibliometrics | 0.007 | 0.007 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.005 | 0.003 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 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".