Daily smoking patterns, their determinants, and implications for quitting.
Notice bibliographique
Résumé
In this article, the authors examine daily temporal patterns of smoking in relation to environmental restrictions on smoking and cessation outcomes. Time-series methods were used for analyzing cycles in 351 smokers who monitored their smoking in real time for 2 weeks. The waking day was divided into 8 "bins" of approximately 2 hr, cigarette counts were tallied for each bin, and temporal patterns of smoking and restriction were analyzed. Cluster analyses of smoking patterns by time of day resulted in 4 clusters: daily decline (n = 30; 9%), morning high (n = 43; 12%), flatline (n = 247; 70%), and daily dip-evening incline (n = 31; 9%). Clusters differed in baseline demographic, smoking, and psychosocial variables. Results suggest that smoking behavior can be characterized by regular patterns of smoking frequency during the waking day: Smoking in the flatline cluster was within +/-0.5 standard deviation at all times. For the other clusters, smoking was high in the morning (daily dip-evening incline: +1.7 standard deviations; morning high: +2.8 standard deviations; daily decline: +1.7 standard deviations); moderate (morning high: -0.8 standard deviations; daily decline: +0.3 standard deviations) or low (daily dip-evening incline: -1.0 standard deviations) midday; and high (daily dip-evening incline: +2.0 standard deviations), moderate (morning high: +0.5 standard deviations), or low (daily decline: -1.5 standard deviations) in the evening. Daily smoking patterns were related to environmental smoking restrictions, but the strength of this relationship differed among clusters and by time of day. Clusters differed in lapse risk.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».