Impact of the 'Giving Cigarettes is Giving Harm' campaign on knowledge and attitudes of Chinese smokers
Notice bibliographique
Résumé
OBJECTIVE: To date there is limited published evidence on the efficacy of tobacco control mass media campaigns in China. This study aimed to evaluate the impact of a mass media campaign 'Giving Cigarettes is Giving Harm' (GCGH) on Chinese smokers' knowledge of smoking-related harms and attitudes towards cigarette gifts. METHODS: Population-based, representative data were analysed from a longitudinal cohort of 3709 adult smokers who participated in the International Tobacco Control (ITC) China Survey conducted in six Chinese cities before and after the campaign. Logistic regression models were estimated to examine associations between campaign exposure and attitudes towards cigarette gifts measured post-campaign. Poisson regression models were estimated to assess the effects of campaign exposure on post-campaign knowledge, adjusting for pre-campaign knowledge. FINDINGS: Fourteen percent (n=335) of participants recalled the campaign within the cities where the GCGH campaign was implemented. Participants in the intervention cities who recalled the campaign were more likely to disagree that cigarettes are good gifts (71% vs 58%, p<0.01) and had greater levels of campaign-targeted knowledge than those who did not recall the campaign (mean=1.97 vs 1.62, p<0.01). Disagreeing that cigarettes are good gifts was higher in intervention cities than in control cities. Changes in campaign-targeted knowledge were similar in both cities, perhaps due to a secular trend, low campaign recall or contamination issues. CONCLUSIONS: These findings suggest that the GCGH campaign increased knowledge of smoking harms, which could promote downstream cessation. This study provides evidence to support future campaign development to effectively fight the tobacco epidemic in China.
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 ».