Are Graphic Warning Labels Stopping Millions of Smokers? A Comment on Huang, Chaloupka, and Fong
Notice bibliographique
Résumé
Graphic warning labels are gruesome images on cigarette packages depicting diseased body parts, suffering, and death. An increasing number of countries have mandated them. The scholarly literature unequivocally concludes that they are effective, as measured by elicited cognitive and emotional reactions, increased motivation to quit smoking, and greater awareness of the risks and warnings. But studies investigating actual changes in smoking behavior are more limited. Focusing on a widely cited difference-in-difference study in Tobacco Control by Jidong Huang, Frank Chaloupka, and Geoffrey Fong (2014), we discuss some of the challenges faced in attempting to estimate the impact of cigarette graphic warning labels on population smoking rates in Canada. We demonstrate that spurious correlation may arise when the key underlying assumptions of the difference-in-difference methodology do not hold, or when the specification is plagued by such issues as serial correlation or omitted variables. Our findings suggest that there remains uncertainty in the causal relationship between Canada’s policy that mandates graphic warning labels and smoking rates. Estimates could be improved with additional data, better-specified instruments for problematic data, or alternative methods that would address the limitations identified in the present study.
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 | 0,010 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,011 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,008 | 0,002 |
| Intégrité de la recherche | 0,047 | 0,060 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,006 |
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 ».