Consumer preferences for electronic cigarettes: results from a discrete choice experiment
Notice bibliographique
Résumé
INTRODUCTION: E-cigarettes present a formidable challenge to regulators given their variety and the rapidly evolving nicotine market. The current study sought to examine the influence of e-cigarette product characteristics on consumer perceptions and trial intentions among Canadians. METHODS: An online discrete choice experiment was conducted with 915 Canadians aged 16 years and older in November 2013. An online commercial panel was used to sample 3 distinct subpopulations: (1) non-smoking youth and young adults (n=279); (2) smoking youth and young adults (n=264) and (3) smoking adults (n=372). Participants completed a series of stated-preference tasks, in which they viewed choice sets with e-cigarette product images that featured different combinations of attributes: flavour, nicotine content, health warnings and price. For each choice set, participants were asked to select one of the products or indicate 'none of the above' with respect to the following outcomes: interest in trying, less harm and usefulness in quitting smoking. The attributes' impact on consumer choice for each outcome was analysed using multinomial logit regression. RESULTS: Health warning was the most important attribute influencing participants' intentions to try e-cigarettes (42%) and perceived efficacy as a quit aid (39%). Both flavour (36%) and health warnings (35%) significantly predicted perceptions of product harm. CONCLUSIONS: The findings indicate that consumers make trade-offs with respect to e-cigarette product characteristics, and that these trade-offs vary across different subpopulations. Given that health warnings and flavour were weighted most important by consumers in this study, these may represent good targets for e-cigarette regulatory frameworks.
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 ».