Which types of anti-smoking television advertisements work better in Taiwan?
Notice bibliographique
Résumé
Research in high income countries suggests that anti-smoking television advertisements with emotionally evocative graphic messages or personal testimonials that depict serious consequences from smoking are the most effective. Research to determine the most effective smoking cessation messages for low- and middle-income countries is needed to inform campaign development in these countries. Fifty-four male Taiwanese smokers, aged 18-34, rated advertisements and participated in a focus group to evaluate eight antismoking television advertisements with contrasting messaging strategies. Participants individually evaluated advertisements, after which they participated in a semi-structured focus group discussion (10 groups, 2-9 smokers per group). One week after this session, participants were called to assess advertisement recall. Both quantitative and qualitative data indicated that highly emotional testimonial ads that featured a graphic portrayal of personal suffering from the consequences of smoking and visceral graphic ads were more effective. The ad on tobacco industry denormalization that focuses on the responsibility of the industry for smoking-related harms was considered ineffective because smokers perceived it as having little personal relevance. Humorous advertisements were evaluated as the least effective because they lacked strong emotional content linked to smoking consequences. Qualitative results suggest that advertisement characteristics are more important than the demographic characteristics of people featured in advertisements. Study findings provide preliminary evidence that testimonial ads that involve graphic and emotionally evocative portrayals of smoking-attributed diseases and visceral graphic ads may have the greater potential to motivate Taiwanese smokers to quit smoking.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».