Mediational pathways of the impact of cigarette warning labels on quit attempts.
Notice bibliographique
Résumé
OBJECTIVE: To test and develop, using structural equation modeling, a robust model of the mediational pathways through which health warning labels exert their influence on smokers' subsequent quitting behavior. METHOD: Data come from the International Tobacco Control Four-Country Survey, a longitudinal cohort study conducted in Australia, Canada, the United Kingdom, and the United States. Waves 5-6 data (n = 4,988) were used to calibrate the hypothesized model of warning label impact on subsequent quit attempts via a set of policy-specific and general psychosocial mediators. The finalized model was validated using Waves 6-7 data (n = 5065). RESULTS: As hypothesized, warning label salience was positively associated with thoughts about risks of smoking stimulated by the warnings (β = .58, p < .001), which in turn were positively related to increased worry about negative outcomes of smoking (β = .52, p < .001); increased worry in turn predicted stronger intention to quit (β = .39, p < .001), which was a strong predictor of subsequent quit attempts (β = .39, p < .001). This calibrated model was successfully replicated using Waves 6-7 data. CONCLUSION: Health warning labels seem to influence future quitting attempts primarily through their ability to stimulate thoughts about the risks of smoking, which in turn help to raise smoking-related health concerns, which lead to stronger intentions to quit, a known key predictor of future quit attempts for smokers. By making warning labels more salient and engaging, they should have a greater chance to change behavior.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».