Address the gaps in tobacco cessation training and services: Developing professional organisational alliances to create social movements
Notice bibliographique
Résumé
ISSUES: To contribute towards reversing the tobacco pandemic, professional organisational alliances must reduce the wide international variability in the smoking rates among health-care professionals and students, and also address the gaps in tobacco cessation training and services. APPROACH: Ongoing international surveys for monitoring smoking rates could provide the impetus for these alliances to develop programs that reduce smoking rates among professional and lay populations. KEY FINDINGS: Health professional organisations must advocate for systematically implementing comprehensive tobacco cessation training programs. IMPLICATIONS: These programs can include both evidence-based interventions and experience-based learning innovations. These innovations can help individuals address the limitations of evidence-based guidelines. This shift from teaching individuals about changing-specific risk behaviours to engaging individuals to learn how to change any risk behaviour expands the reach and impact of behaviour change programs. CONCLUSIONS: Practitioners and staff need first-hand experience of these learning innovations before guiding patients through the same process. Using both evidence-based guidelines and experience-based learning methods, organisational leaders can develop professional alliances to create social movements that promote healthy habits in general. For example, they can develop voluntary learning programs in primary care and community settings that are led by patients and that are for patients. Such bottom-up approaches have greater potential yield in addressing gaps in health promotion and disease prevention, and particularly for tobacco cessation services. This strategy is a more feasible option for resource-limited, developing countries that cannot afford costly tobacco cessation programs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».