“Electronic Cigarettes” Are Not Cigarettes, and Why That Matters
Notice bibliographique
Résumé
As the prevalence rates of cigarette use have declined over the past decade, use of electronic cigarettes (e-cigarettes) continues to increase, and companies are heavily invested in manufacturing new e-cigarette products. Scientists are therefore studying e-cigarette use at a rapid rate, generally by conceptualizing e-cigarettes as similar to traditional cigarettes in their use and effects. Thinking of e-cigarettes as largely comparable with cigarettes, however, fails to capture the unique e-cigarette capabilities, user experiences, and effects on nicotine dependence and even health. Assuming that e-cigarette users puff on their devices as they do cigarettes to attain doses of nicotine comparable in magnitude and asking questions about e-cigarette use modeled after how smoking behavior has been usually assessed (eg, puff number, duration, number of cigarettes per day) may miss important differences. A greater appreciation of the distinct uniqueness of e-cigarettes, as compared with cigarettes, will help to accelerate innovative research on e-cigarettes and other electronic devices, leading to new theoretical models and behavioral measures. IMPLICATIONS: With research about electronic cigarettes (e-cigarettes) rapidly increasing, this commentary addresses the conceptualization of e-cigarettes as similar to traditional cigarettes. The more we attempt to understand and measure e-cigarettes as equivalent to cigarettes, the more likely research may err in conclusions about these unique devices. Our commentary notes how using unique conceptualizations and measures for e-cigarettes will help accelerate new research.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».