Intention to quit among Indian tobacco users: Findings from International Tobacco Control Policy evaluation India pilot survey
Notice bibliographique
Résumé
INTRODUCTION: Tobacco users face barriers not just in quitting, but also in thinking about quitting. The aim of this study was to understand factors encouraging intention to quit from the 2006 International Tobacco Control Policy (TCP) Evaluation India Pilot Study Survey. MATERIALS AND METHODS: A total of 764 adult respondents from urban and rural areas of Maharashtra and Bihar were surveyed through face-to-face individual interviews, with a house-to-house approach. Dependent variable was "intention to quit tobacco." Independent variables were demographic variables, peer influence, damage perception, receiving advice to quit, and referral to cessation services by healthcare professionals and exposure to anti-tobacco messages. Logistic regression model was used with odds ratio adjusted for location, age, gender, and marital status for statistical analysis. RESULTS: Of 493 tobacco users, 32.5% intended to quit. More numbers of users who were unaware about their friends' tobacco use intended to quit compared to those who were aware (adjusted OR = 8.06, 95% CI = 4.58-14.19). Higher numbers of users who felt tobacco has damaged their health intended to quit compared to those who did not feel that way (adjusted OR = 5.62, 95% CI = 3.53-8.96). More numbers of users exposed to anti-tobacco messages in newspapers/magazines (adjusted OR = 1.76, 95% CI = 1.02-3.03), restaurants (adjusted OR = 2.47, 95% CI = 1.37-4.46), radio (adjusted OR=4.84, 95% CI = 3.01-7.78), cinema halls (adjusted OR = 9.22, 95% CI = 5.31-15.75), and public transportation (adjusted OR = 10.58, 95% = 5.90-18.98) intended to quit compared to unexposed users. CONCLUSION: Anti-tobacco messages have positive influence on user's intentions to quit.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».