An evaluation of school-based e-cigarette control policies’impact on the use of vaping products
Notice bibliographique
Résumé
INTRODUCTION: Electronic cigarette (e-cigarette) use among youth is common, and so efforts to regulate its use and availability are continually being made. The school environment represents an important domain for advancing health policy among youth populations. This study examines the impact of school-based e-cigarette control policies on student e-cigarette use in the context of a natural experiment. METHODS: Using three years of longitudinal student and school level data (2013/2014 to 2015/2016), from a sample of 69 secondary schools in Ontario, Canada, a generalized estimating equation approach examined the impact of school-based e-cigarette control policy changes on the prevalence of youth e-cigarette use. The main outcome of interest was current e-cigarette use, while covariates included age, gender, ethnicity, and amount of spending money in dollars per week the student has. Tests of proportion (t-tests) were used to examine whether there were any significant differences in the changes for each intervention school relative to the sample of schools that report no changes in school-level e-cigarette control policies. RESULTS: Estimates from the generalized estimating equation approach suggest that students had lower odds of using e-cigarettes in schools where an e-cigarette control policy was implemented. That is, the e-cigarette control policy decreased the adjusted odds of being an e-cigarette user (OR=0.68; 95% CI: 0.48-0.97). Examining school-specific impact, at four of six schools that had an e-cigarette control policy, the ban on the use of e-cigarettes may have lowered the prevalence of e-cigarette use. CONCLUSIONS: This is the first study to use longitudinal data to study school-level e-cigarette use and the impact of e-cigarette control policy. These results provide new evidence that school-level policies banning the use of e-cigarettes on school property may be effective in reducing e-cigarette use (or preventing it) in their current form, as seen in this natural experiment.
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 | 0,015 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 ».