Tobacco Smoking Among Migrant Factory Workers in Shenzhen, China
Notice bibliographique
Résumé
BACKGROUND: While several studies of smoking behaviors in rural-to-urban Chinese migrants exist, none to our knowledge have focused on factory workers, estimated to represent between 10% and 20% of China's total rural-to-urban migratory population. This paper assesses factors associated with smoking behavior among rural-to-urban migrant factory workers in Shenzhen, China. METHODS: A cross-sectional survey of migrant workers from 44 randomly selected factories in Shenzhen, China. Participants were migrant factory workers aged 16-59 years and holding nonlocal household registration. The main outcome measures were demographic, migration-related, and behavioral factors associated with smoking status. RESULTS: Four thousand and eighty-eight completed questionnaires were obtained (response rate 95.5%). Overall smoking prevalence (including occasional, daily, and heavy daily smoking) was 19.1%. The prevalence of daily smoking (including heavy daily smoking) was higher in men (27.3%) than women (0.7%). These rates are significantly lower than national smoking rates (59.5% in men, 3.7% in women) and rates found in a similar study. A high-risk group of men who smoke heavily and consume alcohol frequently was identified. Longer working hours and less rest were associated with higher rates of smoking. Frequent Internet use and lack of insurance were associated with lifetime smoking. Gender-adjusted models showed that poorer mental health and an accumulated working time in Shenzhen of 2-3 years increased female workers' likelihood of smoking. CONCLUSIONS: Migrant factory workers in Shenzhen had lower rates of smoking than other population groups in China. The identification of risk factors for heavy smoking may help to effectively target health promotion interventions.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».