Effect of Network Social Capital on the Chances of Smoking Relapse: A Two-Year Follow-up Study of Urban-Dwelling Adults
Notice bibliographique
Résumé
OBJECTIVES: We sought to examine the prospective influence of social capital and social network ties on smoking relapse among adults. METHODS: In 2010, a 2-year follow-up study was conducted with the 2008 Montreal Neighborhood Networks and Healthy Aging Study (MoNNET-HA) participants. We asked participants in 2008 and 2010 whether they had smoked in the past 30 days. Position and name generators were used to collect data on social capital and social connections. We used multilevel logistic analysis adjusting for demographic and socioeconomic factors to predict smoking relapse in 2010. RESULTS: Of the 1400 MoNNET-HA follow-up participants, 1087 were nonsmokers in 2008. Among nonsmokers, 42 were smokers in 2010. Results revealed that participants with higher network social capital were less likely (odds ratio [OR] = 0.68; 95% confidence interval [CI] = 0.47, 0.96), whereas socially isolated participants (OR = 3.69; 95% CI = 1.36, 10.01) or those who had ties to smokers within the household (OR = 4.22; 95% CI = 1.52, 11.73) were more likely to report smoking in 2010. CONCLUSIONS: Social network capital reduced the chances of smoking relapse. Smoking cessation programs might aim to increase network diversity so as to prevent relapse.
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 | 0,006 | 0,000 |
| 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 | 0,000 |
| 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 ».