Prevalence of lower harm perceptions of cigarette product characteristics: findings from 10 low-middle-income countries from the ITC project
Notice bibliographique
Résumé
Background A major objective of FCTC Article 9, which calls for tobacco product regulation, is to eliminate or reduce tobacco industry product design strategies that have been shown to lead smokers to believe that some cigarettes are less harmful than others. However, nearly all of the studies documenting beliefs about harm perceptions have come from high-income countries; little is known whether the same misperceptions about harmfulness are present in low-middle income countries (LMICs)― where 80% of the world's smokers reside. This study measured the level of perceptions of harmfulness of light and menthol cigarettes among smokers from 10 LMICs of the International Tobacco Control (ITC) Project. Methods Cross-sectional analyses of ITC surveys in Bangladesh, Brazil, China, India, Kenya, Malaysia, Mauritius, Mexico, Thailand, and Zambia were conducted using the country's most recent survey wave (ranging from 2011 to 2016). Adult smokers were asked whether each of three design features— (1) light/low tar, (2) filters, and (3) menthol—were less harmful. Results The percentage of smokers with erroneous beliefs was variable but substantial: 'light cigarettes are less harmful': 21% (Mexico) to 66% (China); 'low tar cigarettes are less harmful': 41% (Zambia) to 71% (China); 'menthol cigarettes are less harmful': 11% (Brazil) to 52% (China); 'filters reduce harm': 36% (Mexico) to 82% (China); 'if a cigarette tastes lighter, it is less harmful': 39% (Zambia) to 71% (Kenya). [POH 10 LMICs ITC] Conclusions A substantial proportion of smokers in the 10 LMICs erroneously believe that light, low tar, and menthol cigarettes are less harmful, and that filters reduce harm. This is particularly disturbing in China, where prevalence of industry-induced misconceptions was the highest for 4 of the 5 measures. These findings point to the necessity of Article 9 regulations to restrict/ban product design features that mislead consumers about the harmfulness of tobacco products, particularly in LMICs.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».