SCAR dynamics of adolescent substance use: peer influence, dropout, and bifurcation structure in a school-based model

तकनीकी सारांश: किशोरों में मादक द्रव्य उपयोग की SCAR गतिशीलता

समस्या विवरण
किशोरों में मादक द्रव्य उपयोग एक जटिल सार्वजनिक स्वास्थ्य मुद्दा है जो सहकर्मी प्रभाव (peer influence), सुरक्षात्मक सामाजिक वातावरण और स्कूल-संबंधी संक्रमणों जैसे कि विमुखता (disengagement) और पुनरागमन (re-entry) से संचालित होता है। जबकि वयस्कों की आबादी और सामान्य लत की गतिशीलता के लिए गणितीय मॉडल मौजूद हैं, तुलनात्मक रूप से बहुत कम मॉडल किशोरों, विशेष रूप से स्कूल-आधारित आबादी के लिए तैयार किए गए हैं जहाँ सहकर्मी प्रभाव अत्यंत प्रभावशाली होते हैं और शैक्षिक संक्रमण (ड्रॉपआउट, स्नातक, वापसी) प्रभावी जनसंख्या को सीधे तौर पर बदलते हैं। मौजूदा मॉडल अक्सर व्यवहारिक संक्रामकता (initiation, escalation) और स्कूल-विशिष्ट टर्नओवर तंत्र को एक साथ समझाने में विफल रहते हैं। यह शोध पत्र एक ऐसे गणितीय रूप से सुलभ ढांचे की आवश्यकता को संबोधित करता है जो सहकर्मी-संचालित व्यवहारिक संक्रमणों को स्कूल के विमुखता और पुनरागमन की गतिशीलता के साथ एकीकृत करता है, ताकि यह समझा जा सके कि ये परस्पर क्रिया करने वाले तंत्र कैसे गुणात्मक रूप से भिन्न स्कूल-स्तरीय परिणाम उत्पन्न करते हैं।

कार्यप्रणाली
लेखक एक उच्च विद्यालय परिवेश के अनुकूल विकसित चार-कंपार्टमेंट Susceptible–Casual–Addicted–Resistant (SCAR) मॉडल का उपयोग करते हैं, जिसे साधारण अवकल समीकरणों (ODEs) के माध्यम से बनाया गया है। जनसंख्या को निम्नलिखित भागों में विभाजित किया गया है:

• $S(t)$: संवेदनशील छात्र (गैर-उपयोगकर्ता, व्यवहारिक रूप से असुरक्षित)।
• $C(t)$: आकस्मिक या प्रयोगात्मक उपयोगकर्ता (Casual or experimental users)।
• $A(t)$: निरंतर, समस्याग्रस्त, या पदार्थ उपयोग विकार (SUD)-स्तर की भागीदारी वाले छात्र।
• $R(t)$: प्रतिरोधी छात्र (मजबूत सुरक्षात्मक वातावरण वाले गैर-उपयोगकर्ता)।

मॉडल निम्नलिखित को शामिल करता है:

1. जनसांख्यिकीय टर्नओवर: निरंतर प्रवेश ($\mu$) और निकास (स्नातक/प्रस्थान) दर, जिसमें नए प्रवेशकों को संवेदनशील ($1-\rho$) या प्रतिरोधी ($\rho$) के रूप में वर्गीकृत किया जाता है।
2. सहकर्मी प्रभाव: फ्रीक्वेंसी-डिपेंडेंट ट्रांसमिशन टर्म ($\beta XY/N$) जो जोखिम-बढ़ाने वाले प्रभाव (S या C से S की ओर शुरुआत; C से A की ओर वृद्धि) और सुरक्षात्मक प्रभाव (A से C या C से S की ओर गिरावट; S से R की ओर प्रतिरोध निर्माण) का प्रतिनिधित्व करते हैं।
3. विमुखता और पुनरागमन: एक दर $\delta$ जिस पर समस्याग्रस्त उपयोगकर्ता ($A$) स्कूल से विमुख हो जाते हैं। इन छात्रों का एक अंश $\phi$ स्कूल जनसंख्या में पुन: प्रवेश करता है (S में वापसी), जबकि शेष ($1-\phi$) मॉडल प्रणाली को स्थायी रूप रूप से छोड़ देते हैं।

विश्लेषण गुणात्मक डायनेमिकल सिस्टम थ्योरी का उपयोग करता है, जिसमें शामिल हैं:

• समाधानों की धनात्मकता (positivity) और सीमाबद्धता (boundedness) का प्रमाण।
• एक स्केल्ड सिस्टम का व्युत्पन्न जो कुछ श्रेणियों में कुल जनसंख्या आकार से स्वतंत्र रूप से अनुपातों ($x, y, z, w$) के विकास का वर्णन करता है।
• पदार्थ-मुक्त, SUD-मुक्त, और आंतरिक (सह-अस्तित्व) अवस्थाओं के लिए साम्यावस्था (equilibrium) विश्लेषण।
• आक्रमण थ्रेशोल्ड (invasion thresholds) का व्युत्पन्न ($R_y$ आकस्मिक उपयोग के लिए, $R_z^{(c)}$ समस्यात्मक उपयोग के लिए)।
• संरचनात्मक परिवर्तनों और मल्टीस्टेबिलिटी (multistability) की जांच करने के लिए वन-पैरामीटर बाइफर्केशन विश्लेषण।

प्रमुख योगदान और परिणाम

1. पुनरागमन ($\phi$) द्वारा परिभाषित संरचनात्मक क्षेत्र:
   मॉडल पुनरागमन पैरामीटर $\phi$ के आधार पर एक महत्वपूर्ण बाइफर्केशन की पहचान करता है।

   • $\phi = 1$ (संरक्षित जनसंख्या): कुल स्कूल जनसंख्या स्थिर रहती है। स्केल्ड सिस्टम में सकारात्मक साम्यावस्थाएँ मूल चरों में वास्तविक एंडेमिक साम्यावस्थाओं के अनुरूप होती हैं, जिससे सभी व्यवहारिक वर्गों का दीर्घकालिक सह-अस्तित्व संभव होता है।
   • $\phi < 1$ (जनसंख्या हानि): समस्यात्मक उपयोग शुद्ध जनसंख्या हानि ($dN/dt < 0$) का कारण बनता है। इस शासन (regime) में, स्केल्ड सिस्टम के सकारात्मक साम्यावस्थाएँ "आकार साम्यावस्था" (अनुपात) का प्रतिनिधित्व करती हैं, लेकिन वे मूल चरों में वास्तविक एंडेमिक साम्यावस्थाओं के अनुरूप नहीं होती हैं, क्योंकि कुल जनसंख्या अंततः घटती जाती है।

2. शुरुआत (Initiation) और वृद्धि (Escalation) के लिए विशिष्ट थ्रेशोल्ड तंत्र:
   विश्लेषण प्रकट करता है कि प्रथम उपयोग और समस्यात्मक उपयोग की ओर प्रगति दो अलग-अलग गतिशील थ्रेशोल्ड द्वारा शासित होती है:

   • $R_y$ (आकस्मिक उपयोग का आक्रमण): यह निर्धारित करता है कि क्या आकस्मिक उपयोगकर्ता पदार्थ-मुक्त वातावरण में आक्रमण कर सकते हैं। यह शुरुआत के दबाव ($\beta_{CS}$), सुरक्षात्मक वापसी ($\beta_{RC}$), और आधारभूत प्रतिरोधी जनसंख्या ($w_f$) पर निर्भर करता है।
   • **$R_z^{(c)}$ (समस्यात्मक उपयोग का आक्रमण):ित यह निर्धारित करता है कि क्या समस्यात्मक उपयोगकर्ता उस वातावरण में आक्रमण कर सकते हैं जहाँ आकस्मिक उपयोग पहले से स्थापित है। यह वृद्धि के दबाव ($\beta_{AC}$), निष्कासन दरों ($\mu + \delta$), और सुरक्षात्मक गिरावट ($\beta_{RA}$) पर निर्भर करता है।
   • निहितार्थ: शुरुआत को रोकना और वृद्धि को रोकना दो अलग-अलग हस्तक्षेप संबंधी समस्याएं हैं; एक को दबाने से दूसरे का दमन स्वतः नहीं होता है।

3. मल्टीस्टेबिलिटी और बाइस्टेबिलिटी:
   मॉडल मल्टीस्टेबिलिटी प्रदर्शित करता है, विशेष रूप से एक पदार्थ-मुक्त साम्यावस्था और एक स्थिर आंतरिक उच्च-उपयोग साम्यावस्था के बीच बाइस्टेबिलिटी।

   • SUD-मुक्त उपप्रणाली: बिना समस्यात्मक उपयोग के भी, सिस्टम पदार्थ-मुक्त अवस्था या एक स्थिर आकस्मिक-उपयोग अवस्था की ओर बढ़ सकता है, या शुरुआत और सुरक्षात्मक प्रभाव के बीच बाइस्टेबिलिटी प्रदर्शित कर सकता है।
   • पूर्ण प्रणाली: संख्यात्मक उदाहरण दर्शाते हैं कि पूर्ण प्रणाली पदार्थ-मुक्त अवस्था और एक स्थिर आंतरिक अवस्था के बीच बाइस्टेबिलिटी का समर्थन कर सकती है जहाँ सभी वर्ग सह-अस्तित्व में होते हैं। अंतिम परिणाम प्रारंभिक स्थितियों (बेसिन ऑफ अट्रैक्शन) और पैरामीटर मानों दोनों पर निर्भर करता है।

4. नीतिगत लीवर्स का बाइफर्केशन विश्लेषण:
   वन-पैरामीटर बाइफर्केशन आरेख ($\phi=1$ के लिए) मापदंडों को तीन कार्यात्मक वर्गों में वर्गीकृत करते हैं:

   • जोखिम-बढ़ाने वाले (Risk-Promoting): $\beta_{AC}$ (वृद्धि), $\beta_{AS}$ (समस्यात्मक उपयोगकर्ताओं द्वारा भर्ती), या $\beta_{CS}$ (आकस्मिक उपयोगकर्ताओं द्वारा भर्ती) को बढ़ाने से स्थिर उच्च-उपयोग साम्यावस्थाओं का क्षेत्र विस्तृत हो जाता है। विशेष रूप से, $\beta_{CS}$ एक संरचनात्मक संगठक के रूप में कार्य करता है, क्योंकि आकस्मिक उपयोगकर्ता संवेदनशील लोगों को आकर्षित भी करते हैं और भविष्य के समस्यात्मक उपयोगकर्ताओं के लिए आधार भी प्रदान करते हैं।
   • सुरक्षात्मक/रिकवरी (Protective/Recovery): $\beta_{RA}$, $\beta_{RC}$, $\beta_{RS}$, या $\rho$ (प्रतिरोधी प्रवेश) को बढ़ाने से स्थिर आंतरिक उच्च-उपयोग शाखा सिकुड़ जाती है या समाप्त हो जाती है, जिससे पदार्थ-मुक्त अवस्था के आकर्षण का क्षेत्र (basin of attraction) बढ़ जाता है।
   • संदर्भगत/संरचनात्मक (Contextual/Structural): विमुखता दर $\delta$ और टर्नओवर $\mu$ के जटिल प्रभाव होते हैं। जबकि $\delta$ को बढ़ाने से गणितीय रूप से उच्च-उपयोग शाखा कमजोर होती है, लेखक चेतावनी देते हैं कि यह रिकवरी के बजाय ड्रॉपआउट को दर्शा सकता है, जो हस्तक्षेप के माध्यम से निष्कासन बनाम विमुखता के माध्यम से निष्कासन के बीच अंतर करने की मॉडल की क्षमता को उजागर करता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि इसका प्राथमिक योगदान अनुभवजन्य अनुमान के बजाय किशोरों में मादक द्रव्य उपयोग का एक गुणात्मक गतिशील लक्षण वर्णन करना है। इसका महत्व यह प्रदर्शित करने में निहित है कि स्कूल-स्तरीय परिणाम न केवल आक्रमण थ्रेशोल्ड द्वारा, बल्कि निम्नलिखित द्वारा भी शासित होते हैं:

• वृद्धि गतिशीलता (Escalation Dynamics): आकस्मिक से समस्यात्मक उपयोग की ओर बढ़ने का विशिष्ट तंत्र।
• मल्टीस्टेबिलिटी: समान पैरामीटर सेट के लिए कई स्थिर अवस्थाओं (निम्न-उपयोग बनाम उच्च-उपयोग) का अस्तित्व, जो यह दर्शाता है कि प्रारंभिक स्थितियाँ और ऐतिहासिक संदर्भ (जैसे, शुरुआती उपयोग के क्लस्टर) दीर्घकालिक परिणामों को निर्धारित करते हैं।
• पुनरागमन संरचना: यह कि विमुखता प्रतिवर्ती ($\phi$) है या नहीं, इसकी महत्वपूर्ण भूमिका।

लेखक तर्क देते हैं कि प्रभावी हस्तक्षेप के लिए एक स्तरित रणनीति की आवश्यकता है जो शुरुआत, वृद्धि, सुरक्षात्मक प्रभाव और सफल पुनरागमन को संबोधित करती है। वे इस बात पर जोर देते हैं कि नीतियों का लक्ष्य केवल औसत प्रसार को कम करना ही नहीं, बल्कि सिस्टम को उन पैरामीटर श्रेणियों और स्टेट-स्पेस क्षेत्रों से दूर रखना होना चाहिए जो निरंतर उच्च-उपयोग परिणामों का समर्थन करते हैं। यह ढांचा विभिन्न पदार्थों (जैसे कैनबिस, अल्कोहल, निकोटीन) के लिए लागू होने योग्य है जहाँ सहकर्मी प्रभाव और स्कूल संक्रमण केंद्रीय भूमिका निभाते हैं, हालांकि विशिष्ट रूप से इसे किशोर कैनबिस उपयोग के संदर्भ में प्रेरित किया गया है। शोध पत्र सीमाओं को स्वीकार करता है, जैसे कि होमोजेनियस मिक्सिंग का अनुमान और पुनरागमन गतिशीलता का सरलीकरण, और भविष्य के कार्य के लिए नेटवर्क संरचनाओं और अनुदैर्ध्य डेटा अंशांकन (longitudinal data calibration) को शामिल करने का सुझाव देता है।