A systematic review and analysis of data reduction techniques for the CReSS smoking topography device
Notice bibliographique
Résumé
Introduction : Characterising smoking behaviour in an objective and ecologically valid manner is integral to understanding health complications associated with tobacco use. Smoking topography (ST) provides a representation of the physical attributes of smoking. However, there is no clear guidance on ST data exclusion and reduction techniques and the impact of different techniques. Methods : A search was conducted using MEDLINE, PubMed, and Scopus and limited to studies published between 2001‒2012. The search identified 23 studies using the CReSS device. Results : Few studies reported data reduction ( n = 9) and exclusion ( n = 4) criteria. Four data reduction techniques emerged and were applied to an existing dataset ( n = 193, M age = 38.98, FTND = 5.19, mean 17.23 cigarettes/day). Using repeated measures ANOVA, there were significant ( p < 0.05) differences among all techniques for puff volume, peak flow, puff duration and interpuff interval, which were attenuated upon controlling for puff count. Conclusions : This review highlights the inconsistency in the literature regarding the disclosure of smoking topography data treatment and provides clear evidence that outcomes vary depending on the technique used. Greater transparency is needed and consideration should be given by researchers to the potential impact of methodological decisions on study findings.
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) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».