Heterogeneity in the Effects of Reward- and Deposit-based Financial Incentives on Smoking Cessation
Notice bibliographique
Résumé
RATIONALE: Targeting different smoking cessation programs to smokers most likely to quit when using them could reduce the burden of lung disease. OBJECTIVES: To identify smokers most likely to quit using pure reward-based financial incentives or incentive programs requiring refundable deposits to become eligible for rewards. METHODS: We conducted prespecified secondary analyses of a randomized trial in which 2,538 smokers were assigned to an $800 reward contingent on sustained abstinence from smoking, a refundable $150 deposit plus a $650 reward, or usual care. MEASUREMENTS AND MAIN RESULTS: Using logistic regression, we identified characteristics of smokers that were most strongly associated with accepting their assigned intervention and ceasing smoking for 6 months. We assessed modification of the acceptance, efficacy, and effectiveness of reward and deposit programs by 11 prospectively selected demographic, smoking-related, and psychological factors. Predictors of sustained smoking abstinence differed among participants assigned to reward- versus deposit-based incentives. However, greater readiness to quit and less steep discounting of future rewards were consistently among the most important predictors. Deposit-based programs were uniquely effective relative to usual care among men, higher-income participants, and participants who more commonly failed to pay their bills (all interaction P values < 0.10). Relative to rewards, deposits were more effective among black persons (P = 0.022) and those who more commonly failed to pay their bills (P = 0.082). Relative to rewards, deposits were more commonly accepted by higher-income participants, men, white persons, and those who less commonly failed to pay their bills (all P < 0.05). CONCLUSIONS: Heterogeneity among smokers in their acceptance and response to different forms of incentives suggests potential benefits of targeting behavior-change interventions based on patient characteristics. Clinical trial registered with www.clinicaltrials.gov (NCT 01526265).
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 | 0,056 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».