Mediational pathways of the impact of cigarette warning labels on quit attempts.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 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 découle