Ever Use of Nicotine and Nonnicotine Electronic Cigarettes Among High School Students in Ontario, Canada
Notice bibliographique
Résumé
INTRODUCTION: There are limited data on the use of electronic cigarettes (e-cigarettes) among youth, particularly with regard to the use of nicotine versus nonnicotine products. This study investigates ever use of nicotine and nonnicotine e-cigarettes and examines the demographic and behavioral correlates of e-cigarette use in Ontario, Canada. METHODS: Data for 2,892 high school students were derived from the 2013 Ontario Student Drug Use and Health Survey. This province-wide school-based survey is based on a 2-stage cluster design. Bivariate and multivariate analyses were used to investigate the factors associated with ever use of e-cigarettes. Ever use of e-cigarettes was derived from the question, "Have you ever smoked at least one puff from an electronic cigarette?" All analyses included appropriate adjustments for the complex study design. RESULTS: Fifteen percent of high school students reported using e-cigarettes in their lifetime. Most students who ever used e-cigarettes reported using e-cigarettes without nicotine (72%), but 28% had used e-cigarettes with nicotine. Male, White/Caucasian, and rural students, as well as those with a history of using tobacco cigarettes, were at greater odds of e-cigarette use. Seven percent of students who had never smoked a tobacco cigarette in their lifetime reported using an e-cigarette. Five percent of those who had ever used an e-cigarette had never smoked a tobacco cigarette. CONCLUSION: More students reported ever using e-cigarettes without nicotine than with nicotine in Ontario, Canada. This underscores the need for greater knowledge of the contents of both nicotine and nonnicotine e-cigarettes to better guide public health policies.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».