MétaCan
Menu
Retour à la cohorte
Enregistrement W2321931906 · doi:10.18001/trs.2.2.7

Differences in Cigarette Design and Metal Content across Five Countries: Results from the International Tobacco Control (ITC) Project

2016· article· en· W2321931906 sur OpenAlexaff
Rosalie Caruso, Brian V. Fix, James F. Thrasher, K. Michael Cummings, Geoffrey T. Fong, W. E. Stephens, Richard J. O’Connor

Notice bibliographique

RevueTobacco Regulatory Science · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueSmoking Behavior and Cessation
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNational Cancer Institute
Mots-clésTobacco controlEnvironmental healthNicotinePopulationMedicineToxicologyPublic healthBiology

Résumé

récupéré en direct d'OpenAlex

OBJECTIVES: The current study examines physical cigarette design characteristics and tobacco metal content of cigarettes obtained from 5 countries to determine how these properties vary for cigarette brands, both within and across countries with different dominant manufacturers. METHODS: Cigarette packs were collected from International Tobacco Control Policy Evaluation Survey (ITC) participants in the U.S., the U.K., Mauritius, Mexico, and Thailand. Cigarettes were assessed for physical and design properties (eg, ventilation, pressure drop, rod density, weight) by published methods, and for metal content (As, Cd, Ni, Pb) by X-ray fluorescence spectrometry. RESULTS: Significant differences in cigarette design and toxic metal concentrations were observed between countries and between manufacturers within countries. Filter ventilation, which is strongly predictive of machine-measured tar and nicotine levels, varied most widely across countries. Ni and Cd were highest in Thailand (2.23ug/g and 1.64ug/g, respectively); As was highest in Mexico (0.29ug/g) and Pb was highest in the U.K. (0.43 ug/g). CONCLUSIONS: Parties to the FCTC should consider the adoption of uniform product standards related to cigarette design, emissions, and tobacco content that would reduce population health risks.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,413

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,067
Tête enseignante GPT0,302
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTobacco Regulatory ScienceMême sujetSmoking Behavior and CessationTravaux en français237 207